基于WADO的医学影像远程访问与共享系统的设计与实现
这是一篇关于医学影像,远程共享与访问,WADO的论文, 主要内容为目前,国内绝大多数的医疗信息系统是基于C/S模式构架的,C/S模式是一种针对性的开发,客户端需要安装授权的专业图像浏览软件,其实现和配置较为复杂,分布功能弱,兼容性差,维护和管理难度大,所以只能限于局域网,不利于扩展,缺少通用性,已经不能满足医学影像的广域共享、远程影像教学和远程会诊等的要求,构建基于B/S模式的远程共享与访问系统正成为国内外学者的研究热点。 本论文的主要目标是构建一个可以从Internet直接访问医学影像的系统,为本论文的依托平台——医疗信息集成平台,以及其它符合DICOM协议的PACS系统实现远程共享与访问功能,即为它们增加一个Web访问接口,而不必关心和修改它们的构成。 论文主要工作如下： 研究DICOM3.0标准的主要内容和构成,分析DICOM医学文件的结构和组成单元,提出在DICOM标准下,文件的解析和传输方法；研究WADO语法,分析WADO服务细节,设计面向医疗信息集成平台的通用独立WADO服务构件；利用DICOM开发工具包和Web服务器技术实现远程共享与访问系统的功能,即DIOCM对象获取、解析与WADO请求响应,医学文本信息及图像的读取；在WADO服务构件中,设计与实现一个图像缓存,从而提高浏览器端对WADO请求的响应速度；设计一款医学影像Viewer,以DICOM层次模式查询影像信息,利用JQuery技术实现基于Web浏览器的图像显示与处理,为客户端请求与查看提供便利。 论文最终实现了医疗信息集成平台可以通过Web浏览器访问,用户界面友好,操作简便,能将每一台连网的PC机变成“浏览工作站”。能高效加载DICOM图像至Web浏览器,实现缩放,移动,反色和旋转等基本图像处理操作。为医学影像的广域访问与共享,远程影像教学和远程会诊提供支持。
线索提示和学习方式在医学影像病灶搜索中的作用
这是一篇关于多目标视觉搜索,医学影像,后续搜索失误,眼动追踪的论文, 主要内容为视觉搜索是一项常见的认知活动,其中多目标视觉搜索是一个近年来国内外研究者较为关注的研究领域,而医学影像理解将认知心理学应用到放射学的领域中。在医学影像中同时搜索多个病灶有助于医生提高诊断绩效,但在多目标视觉搜索中常会遇到一种特殊的失误——后续搜索失误(subsequent search misses,SSM)效应。SSM效应是指在多目标视觉搜索任务中,搜索者由于找到第一个目标而错过后续潜在目标的现象,而SSM误差是指由SSM效应所造成的误差。现有研究表明,存在多种因素影响搜索者在医学影像视觉搜索任务中的绩效,主要包括专家经验、先验知识、学习训练和病灶特点等。对于如何减少SSM误差、提高新手在医学影像视觉搜索任务中的绩效的相关研究较为缺乏。本研究主要通过眼动追踪技术探究线索提示和学习方式对新手进行医学影像多目标视觉搜索任务绩效的影响,以此深入研究如何减少多目标视觉搜索任务中的SSM误差。本论文包括两个实验,均采用前测-学习-后测的视觉搜索范式。实验一通过眼动技术研究线索、学习方式和病灶数量对新手进行不同病灶类型的医学影像视觉搜索任务时绩效的影响,实验为2(测验阶段:前测、后测)×2(线索:有线索、无线索)×2(学习方式:反馈学习、观察学习)×2(病灶数量:一个、两个)的混合设计,其中被试内变量为测验阶段、线索和病灶数量,被试间变量为学习方式。结果发现,与前测阶段相比,被试在后测阶段的搜索绩效显著提高,SSM误差降低;与无线索条件相比,线索提示能够提高新手搜索不同类型病灶时的搜索绩效,减小SSM误差。实验二通过眼动技术研究线索、学习方式和病灶数量对新手进行相同病灶类型的医学影像视觉搜索任务时绩效的影响,实验设计与实验一相同,区别在于实验二中病灶数量的水平为两个时,两个病灶的类型一致。结果发现,与前测阶段相比,被试在后测阶段的搜索绩效显著提高,SSM误差降低;与无线索条件相比,线索提示能够提高新手搜索相同病灶类型时的搜索绩效,减小SSM误差。与实验一相比,实验二的搜索绩效较高,表明相同类型的病灶能够减少搜索失误。综上所述,本研究可以得出如下结论:学习和线索提示能够提高新手掌握专业知识的绩效,减少搜索失误。当需要对医学生进行医学影像诊断培训时,应该采用不同学习方式和线索提示相结合的措施,该研究对医学影像视觉搜索任务的影响因素的探讨有助于人们更好地理解多目标视觉搜索的机制,丰富了SSM效应的相关理论,增进了人们对多目标视觉搜索错误的认识,有助于更快速、更高效地训练和提高新手对知识的掌握,减少或消除在实际任务例如临床诊断中的错误。
基于Web的医学影像研究平台设计与实现
这是一篇关于医学影像,三维渲染,微服务,开放平台,软件即服务的论文, 主要内容为计算机技术的飞速发展促进了医学影像领域的进步,随着医院信息化程度的不断加深,其重要性也不断加强,但是由于传统的医学影像处理及可视化受到专业工作站硬件及客户端软件的限制,导致应用场景不够灵活。随着人工智能技术的发展,基于人工智能的医学影像研究也越来越深入,但是传统医学影像软件的低扩展性限制了相关算法的集成。近年来,Web技术的不断发展和Saa S(软件即服务)的提出,为软件交付提供了新的形式,而目前这种形式的医学影像软件都还不够成熟。基于此背景,提出并实现了基于Web的医学影像研究平台,提供了医学影像文件云端管理和在线可视化的解决方案。平台属于B/S架构的Saa S系统,采用前后端分离形式进行开发。前端采用基于双向绑定的MVVM架构,后端采用微服务架构和MVC架构结合的方式,使用API网关集中管理微服务,使平台拥有良好的可扩展性和可维护性。平台分为三个系统:数据管理系统、可视化系统和开放系统。数据管理系统是其他系统的基础所在,提供了DICOM(数字影像和通信标准)文件一体化存储、解析和检索功能,头信息和图像信息分别存储在My SQL和对象存储系统中;可视化系统在Web环境实现了医学影像客户端软件的核心功能,包括阅片和三维渲染;开放系统融合了权限管理和微服务管理,方便了第三方开发者的人工智能相关算法的接入,在为其赋能的同时也能丰富平台的生态。其中数据管理系统和可视化系统提供了平台的核心功能,开放系统提供了平台的扩展性,也是平台的科研价值所在。基于Web的医学影像研究平台为医生和科研人员的研究工作提供了便利,现阶段已经在多家医院得到了初步应用,同时也成功接入了相关研究团队的人工智能医疗诊断系统,扩展性也得到了实际应用。
基于深度学习的消化道医学影像半自动化标注与智能分析系统
这是一篇关于医学影像,标注系统,半自动化,辅助诊断的论文, 主要内容为近年来,深度学习技术已被应用到多种医学影像分析任务,为医学影像疾病诊断带来巨大突破,在消化道相关疾病辅助诊断任务上也得到了广泛的关注,然而标注数据匮乏、模型落地艰难却是阻碍深度学习在消化道疾病研究发展的重要原因。经过前期调研,当前深度学习在消化道疾病医学影像的研究普遍存在以下问题:(1)纯手工标注方式标注数据,消化道医学影像数据的标注需要经验丰富的专业医生来完成,标注工作量大、成本高。(2)缺乏大规模、高质量的消化道医学影像数据集。消化道疾病的影像数据分布较为分散,难以集中收集管理,获取大规模数据集的难度较大。并且当前的医学影像标注系统缺乏多人协作标注功能和对系统人员、影像数据的管理功能,不足以构成大规模、高质量的医学影像数据集。(3)当前的消化道医学影像研究缺乏一个可支持多种深度学习框架接入的模型部署平台,缺乏一个可提供多种消化道疾病的辅助诊断软件。针对上述三个问题,本文主要的研究内容和成果如下:(1)针对纯手工标注的弊端,本文提出一种新型的标注模式——半自动化标注模式,将此标注模式应用到医学影像标注系统中,为标注医师节省了大量的时间与精力。半自动化标注模式以小肠间质瘤检测模型为例,从模型搭建、模型自主训练和数据标注三个方面对其进行详细阐述,本文通过大量实验对比,表明半自动化标注模式相较于传统手工标注模式在时间和质量上存在较大优越性与方案可行性。(2)设计与实现医学影像半自动化标注系统。针对消化道医学影像数据集的缺失问题,我们设计与实现了一款在线的医学影像标注系统,面向所有医疗机构收集影像数据。针对标注系统的多人协作和质量控制等问题,本文引入群体智能思想,系统设置了标注人员和审核人员,在实现对DICOM医学影像数据标注功能的基础上,提供多人协作标注-审核功能和全面的医学影像数据管理功能,通过多名用户的共同协作构建出高质量的消化道医学影像数据集。(3)针对模型部署困难等弊端,本文提出一种针对C/S架构软件的深度学习框架接入方案,并基于此接入方案,设计与实现了一款面向消化道疾病的智能分析软件。软件提供统一的深度学习模型部署规范,减少模型部署过程中繁琐的步骤,使模型可简单快速集成到智能分析软件中,为医生提供辅助诊断功能。
乳腺MRI影像配准方法研究
这是一篇关于医学影像,图像配准,深度学习,生成对抗网络的论文, 主要内容为近年来,乳腺癌的发病率逐年上升,严重影响全球女性的身体健康。随着医学影像技术的快速发展,核磁共振检查成为乳腺肿瘤早期检查的重要方式。乳腺核磁共振图像包括T1加权成像与T2加权成像两种方式。T1加权像突出乳腺解剖结构,T2加权像突出乳腺病理结构。在临床诊断中,医生经常需要同时对T1与T2图像进行观察,不仅耗时而且容易出现误诊。而T1及T2加权的乳腺MRI影像配准可以实现信息互补,简化医生诊断的难度。传统的医学图像配准方法在解决配准问题时存在耗费时间长,非刚性配准效果差的问题。深度学习在医学图像配准领域的快速发展,为解决医学图像配准问题提供新的方向。本文提出基于对抗生成网络的乳腺MRI影像配准模型,实现较高精度的实时乳腺MRI影像配准。该算法在训练过程中不需要真实的配准形变场作为监督信息,可直接输出配准图像。配准模型使用改进U-Net网络作为生成网络,在U-Net网络底层和跳跃连接阶段加入空洞卷积模块,以此来逐层提取跳跃连接的特征,并增大模型的感受野大小。在判别网络中,将相似性度量和平滑正则项与GAN网络的损失函数相结合来判别配准图像对的对齐关系,使得在生成精确形变场的同时保证配准图像的结构特征。本论文将所提方法与经典深度学习配准方法进行比较。实验结果表明,本文提出方法能够获得更为精准的配准结果,具有一定临床应用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://bishedaima.com/lunwen/46488.html
