教学课程资源库 更多>>

摘要： 新教材紧紧围绕落实立德树人根本任务,依据最新版《职业教育专业目录》和《中等职业学校专业教学标准》编写,突出育人宗旨、就业导向,强调德技并修、知行合一,注重中高衔接、立体建设。为保证学生用眼卫生和健康学习,新教材按照《儿童青少年学习用品近视防控卫生要求》(GB 40070—2021)进行整体设计,纸张、印刷质量以及正文用字、行空等均达到要求。

关键词： 医学影像   数据增强   条件生成式对抗网络   瓶颈特征监督   图像分割  

摘要： 在肺部疾病的临床诊断中最常见的手段是通过观察患者肺部的计算机断层扫描(Computed Tomography,CT)影像来进行病情的诊断。随着近几年来肺部疾病患者人数的增加,计算机辅助诊断系统(Computer Aided Diagnosis,CAD)可以通过快速准确地处理和分析医学数据,被广泛地应用于肺部疾病的筛查以及初步诊断中。其中,能否在CT影像上实现肺实质的精确分割对于肺部疾病初期的筛查与诊断至关重要。传统的分割方法不仅要手工设置参数,而且容易造成欠分割。基于深度学习的分割方法不仅可以自动学习有用的特征,而且无需通过先验知识手动去调整参数,进而取代了基于手工提取特征的方法,逐渐成为了医学图像分割领域的首要方法。但是基于深度学习的肺实质分割在实践中存在多个挑战和难点,如数据集难以获取,肺部CT图像质量不稳定等。此外,类别不平衡、多尺度问题以及模型解释性问题等也是困扰肺实质分割的难点。针对上述问题,本文的主要研究内容有:(1)基于数据增强的肺实质分割方法。针对医学图像数据集存在的小规模、质量参差不齐以及类别不平衡等问题,通过生成式对抗网络对原始数据进行扩增。为了解决网络图像生成时不稳定,存在模糊、边界区分不明显等问题,提出了一种基于条件生成式对抗网络的生成模型(Res-Attention GAN,RA-GAN)。首先在生成器下采样结束后使用残差块代替卷积层,用以获取更深层的特征信息;其次在长跳跃连接阶段引入空间通道注意力模块(Convolutional Block Attention Module,CBAM)对特征图特征自适应地加权,捕获更丰富的上下文信息;最后使用基于的判别器引导生成器生成质量更高的CT影像。在分割实验中进一步验证了RA-GAN生成的图像用于改善肺实质分割精度的有效性,通过RA-GAN进行数据扩增,为后续的分割任务提供了更多高质量的数据样本。(2)基于双U型分割网络的肺实质分割方法。针对U-Net网络及其变体网络特征融合不充分,信息流失严重等问题,提出了一种双“U型的分割网络,分为编码网络和分割网络。首先,在每次下采样后添加卷积层让网络能够获取图像更多的局部信息;其次在分割网络中设计长短跳跃连接路径进行多尺度特征信息融合,解决语义鸿沟问题;最后将瓶颈监督应用于整个网络,可以更加充分地利用每一层的特征,避免信息流失和过拟合,提高模型的泛化能力。在LIDC-IDRI数据集上的实验结果表明,改进的基于瓶颈特征监督的U-Net分割网络分割性能优秀,能够很好地应用于肺实质的分割任务中。

关键词： 图像传输   医学影像   移动设备   数据压缩   模糊逻辑   差分脉冲编码调制  

摘要： 近年来，移动设备的升级和无线移动通信技术的进步推动了移动互联网的发展，同时对医疗行业产生了一定的影响。为了满足医生远程阅片和患者移动问诊的需求，移动医学影像应运而生。然而，移动网络传输质量不稳定、网络带宽有限，而且移动设备资源受限，随着医学影像的数据规模不断扩大，如何在移动网络环境下保证医学影像数据传输的及时性、准确性和稳定性需要重点关注。针对移动医学影像传输所面临的问题，本文从以下两个方面开展研究工作:　　(1)针对医生在移动端阅片体验不佳的问题，提出了一种用户行为特征引导的医学影像优先层传输方法(User-CenteredPrioritySliceTransmission,UC-PST)。该方法通过采集医生首次阅片时的行为特征，利用模糊逻辑确定影像序列中每一层图像的优先级，并将该优先级应用于指导重复阅片场景下的移动医学影像传输。即，将医生需要重点查看的图像层优先传输到移动端，以提高医生在移动端阅片时的用户体验。通过将UC-PST方法部署在移动端医学影像查看器中,采用主观和客观评价方法对其有效性进行了评估。实验结果表明，与其他传输方法相比，UC-PST方法减少了初始响应时间，传输性能提高了至少14.55％,稳定性提高了至少2.22％,同时缩短了用户感知时延，时延降低了至少12.91％,UC-PST方法解决了由于网络带宽有限造成的医生阅片体验不佳的问题。　　(2)针对移动网络环境下医学影像传输速度慢的问题，提出了一种基于DPCM预测编码的医学影像压缩算法(DPCMbasedMedicalImageCompression,DPCM-MIC)。DPCM-MIC算法根据医学影像特有的高度空间相关性，首先通过差分脉冲编码调制预测编码对图像进行解相关，然后采用整数小波变换集中能量、去除相关冗余，最后通过行程编码去除像素间的统计冗余，从而实现了医学影像的无损压缩。实验结果表明，DPCM-MIC算法缓解了有限带宽造成的影像传输速度限制，在压缩率和传输性能两个方面均实现了提升。与其他压缩算法相比，该算法压缩率提高了至少6.23％。此外，先使用DPCM-MIC算法压缩再进行传输可以有效缩短整体响应时间，传输性能提升了至少12.25％。DPCM-MIC算法以更高的压缩率实现了医学影像的无损压缩，显著提高了移动医学影像的传输效率。

关键词： 医学影像   多视角融合   报告生成   特征融合   深度学习  

摘要： 医学影像报告作为记录影像内容和诊断信息的核心载体,是临床医生和影像科医生之间交流的重要媒介。随着影像检查需求量的不断增长,传统的人工判读方式已经无法应对海量的医学影像数据,带来了患者就医周期延长和医生工作负担加重等一系列问题。因此发展智能化医学影像报告生成对于减轻医生工作负担和提升医疗服务质量具有重要意义。随着影像成像技术的更新迭代,原来单模态、平面、静态的医学影像逐渐发展到多模态、立体、动态。然而现阶段的大部分医学影像报告生成研究仅针对单一模态、单一视角和静态的医学影像,缺乏对多模态、多视角、动态医学影像数据的考虑,这在很大程度上限制了报告生成技术的应用范围。本论文的目标是为多模态的、多视角的、动态的医学影像数据生成影像报告,围绕特征抽取、特征融合和报告生成三个关键问题,开展了以下三项研究。基于多视角融合的医学影像信息抽取算法研究。针对多视角医学影像的信息抽取难题,本论文提出了多视角特征融合模块,该模块通过通道注意力机制和三维卷积来提取和深度融合多视角特征,提升现有特征提取网络的多视角特征提取和特征融合能力,为报告生成网络提供准确且语义一致的视觉信息。基于多视角和多模态融合的医学影像报告生成算法研究。本论文设计了一个多视角和多模态特征融合模块,用来对多视角和多模态特征进行提取和深度融合。在此基础上又提出了基于多视角和多模态融合的医学影像报告生成网络,通过基于联合注意力的多层次LSTM模型为多视角和多模态医学影像生成准确和完整的影像报告。基于多视角和时序特征融合的医学影像报告生成算法研究。本论文在多视角特征融合模块的基础上添加了时序特征融合,通过自注意力和跨模态注意力对多视角特征和时序特征进行深度融合,进而提出了一种基于多视角和时序特征融合的医学影像报告生成算法,为时序影像数据生成准确和完整的影像报告。

摘要： 医学影像技术指的是通过各种不同的手段，在不损伤人体的前提下，将人体内的情况形成图像用于疾病诊断与治疗的技术，包括超声检查、X线、CT、磁共振等多种不同的措施。磁共振究竟有没有辐射很多人认为磁共振这种技术会对人体造成辐射伤害，但实际上，磁共振检查是没有辐射的。人们之所以产生误解是因为这项技术刚进入我国的时候，其命名是从英文名Nuclear Magnetic Resonance Imaging直接翻译来的“核磁共振”。但其实这里的“核”指的是原子核，

摘要： 随着我国居民日益增长的健康医疗需要与医疗资源发展不平衡不充分之间的矛盾日益突出,第5代移动通信技术(5th generation wireless systems,5G)支撑下的远程诊疗成为缓解这一矛盾的重要措施,在发展基层医疗、推动分级诊疗中起重要作用。5G技术对于远程医疗具有重要意义。远程医疗主要通过有线和(或)无线传输,远距离传送临床图片、视频等信息,从而实现远距离临床诊断、治疗及监测。

关键词： 医学影像   深度学习   神经网络   Transformer  

摘要： 医学影像分类作为计算机辅助诊断的研究热点,实现对影像中的病灶结构特征的自动分类,有助于缓解医生阅片和诊疗压力,避免因人为因素而造成误诊和漏诊,提高医生的诊疗效率。大规模的深度神经网络模型拥有大量的参数与计算量,对配置平台的软硬件要求高,占用内存空间大,训练时间长。针对医学影像的轻量级神经网络在保证较好识别能力的同时参数量与计算量较小,所需的内存空间和算力资源较低,在硬件配置低的医疗机构也能适用,这对于将研究方法实际部署至各个基层医院进行应用、平衡医疗资源具有重要意义。本文针对胸部CT影像和脑部MRI影像的不同特点,提出两个深度神经网络模型,在保证准确率的同时,尽量减小模型参数量和计算量,使其更符合实际应用的需求。 1、在胸部CT影像中,新冠肺炎多呈现出磨玻璃浑浊、铺路石征、双边渗透等病变,在常见的磨玻璃病变中有时会出现铺路石征、血管扩张也可能表现出牵拉性支气管扩张。针对上述新冠在胸部CT影像的病灶表现,本文提出一个深度学习神经网络PD-CovidNet模型。PD-CovidNet模型主要由并联支路通道混洗(Parallel Branch Channel Shuffle,PBS)模块和深度高效跳跃连接(Deep-wise Efficient Shortcut connection,DES)模块组成。PBS模块用于感知浅层丰富的细节特征信息。根据病灶特征的位置信息,在PBS模块后引入坐标注意力机制设计出并联支路通道混洗结合坐标注意力(Parallel Branch Channel Shuffle-Coordination Attention Mechanism,PBS-CA)模块,与 PBS 模块在模型中交替使用。DES模块主要由深度卷积、高效通道注意力、捷径分支构成,应用于靠近输出端的网络层,提取有效的类别区分信息。最终PD-CovidNet运用Softmax分类器实现胸部CT影像的分类,该方法在两个CT数据集上进行了实验,实验结果表明:PD-CovidNet模型的准确率能分别达到98.46%和98.75%,PD-CovidNet的各项性能指标均接近现有的新冠分类网络,且其参数量和计算量约为0.32 M、75.58 M。 2、CT 一般进行横断面扫描成像,MRI则可做冠状位、矢状位和横位等多切面成像。因此,面对脑部MRI的多切面成像,不仅需要注意纹理、形状、位置等细节特征,还需加强全局特征的提取。基于上述脑部MRI影像分析,本文提出一个融合了卷积神经网络和Transformer的MTNet模型。MTNet模型主要由多类型并联卷积模块(Multi-type Parallel Convolution module,MPC)和 Transformer 卷积融合模块(Transformer Convolution Fusion module,TCF)组成。MPC模块包含MPC1和MPC2两种模式,分别应用于MTNet的浅层和深层,主要提取MRI影像中的局部细节特征;TCF模块主要用于提升模型的全局特征提取能力,与MPC2并联达到局部特征信息和全局特征信息相融合的效果。该方法已在一个开源脑部MRI影像数据集上进行了消融实验和对比实验,实验结果表明:MTNet模型在脑部MRI影像分类任务中准确率能达到99.31%,具有良好的分类效果,且模型计算量与参数量较低,约为341.01 M和0.86 M。

关键词： 医学影像   医学生   成绩   焦虑   抑郁   影响因素  

摘要： 随着医学影像专业要求逐渐提高，影像专业学生成绩受到多方面因素影响，本研究探索某大学影像专业学生专业成绩的心理相关影像因素分析。本次研究在内蒙古自治区某大学医学影像专业进行横断面整群抽样调查，学生通过网络问卷形式填写一般信息、焦虑自评量表和抑郁自评量表。应用SPSS25.0对数据进行统计分析，通过一致性检验和探索性分析对问卷进行信度和效度检验，通过单因素分析探索影响因素，随后通过相关性分析心理因素与成绩的关系。问卷有效回收率为98.9%，问卷具有良好的信度和效度。结果显示，焦虑与综合成绩平均分和超声诊断学等相关专业课具有相关性（P<0.05），抑郁与综合成绩平均分和介入放射学等相关专业课具有相关性（P<0.05），同时，性别能够影响所有专业课成绩。通过结果发现，未来要加强学生健康心理的锻炼和培养，尤其对于女学生，更要进行有针对性的干预，以便提高影像专业学生专业水平。

关键词： 计算机断层扫描   医学影像检测与识别   特征融合   深度学习   卷积神经网络  

摘要： 医学影像是临床疾病筛查、诊断、治疗和评估的重要工具。其中最具代表性的设备为计算机断层扫描系统(Computed Tomography,CT),因其对软组织器官的高敏感性,能够在解剖图背景上清晰地显示出病变区域的细节特征,从而获得高诊断价值图像。常规CT影像诊断工作完全依赖于阅片医生的经验,然而CT仅能从广角视野拍摄患者整体轮廓内的横切图像,这导致在复杂的器官组织背景中寻找出病灶区域耗时耗力,存在主观性强、效率低以及无法定量分析等问题。基于深度学习的计算机辅助诊断(Computer-aided Detection,CAD)系统凭借强大的特征提取与数据分析能力,实现自动检查、智能诊疗的目标,可以有效缓解医生的阅片压力。对于病灶或伤情区域的检测与识别是CAD中最为重要的任务之一,然而,CT影像中的病变区域相较于自然场景下的目标尺寸更小、边缘特征更弱,且与邻近组织的相似度极高,从而造成了临床检查漏检率、误检率居高不下。对此,本文针对CT影像复杂背景下的两种小目标病灶:肺结节与眼中异物的检测识别任务展开研究,分别结合其病灶图像特点设计出更加符合临床需求的检测与识别系统,具体研究工作如下:一、针对目前肺结节检测识别方法漏检率高、假阳性率高、流程复杂且计算冗余等问题,本文提出了一种基于内卷积与坐标注意力特征融合的肺结节检测与识别模型,该模型以YOLOv5为基准网络,通过端到端的运行机制直接输出肺结节的定位与分类信息,相较于其他算法展现出更强的鲁棒性。首先,本文建立了诊疗信息完善、病例种类齐全的肺结节病变诊疗数据集,解决了公有数据集图像资源不足的问题。然后,在YOLOv5特征提取网络的基础上设计并添加了两个新型模块,一是Transformer模块用于增强网络对CT图像空间全局特征的捕获能力,以降低假阳性率;二是Involution模块用于降低整体网络的计算量,以加快推理速度。最后,构建了一种新型的跨尺度特征融合网络,将高维度语义特征按重要性等级进行加权融合,将低维度定位特征与语义特征经过坐标注意力增强后再进行融合,该网络结构有助于深度挖掘模型中的语义信息以提升肺结节分类效果,同时增强低维定位特征的利用率,改善肺结节的漏检问题。最终在本数据集上进行对比测试,改进后的检测模型m AP@0.5指标达到了97.9,同时敏感度为96.1%、准确度为98.8%、特异性指标为84%,相较对比算法均有大幅提升。二、针对目前眼中异物伤情检测识别方法定位误差大、手工标注精度低、诊断速度慢等问题,本文提出了一种融合特征金字塔的轻量化眼中异物检测与识别模型。首先建立了完善的淮海地区眼中异物伤情诊疗数据集。然后,在轻量化网络Mobile Vi Tv3的基础上重新设计了倒残差结构,引入NAM-Attention注意力机制增强层提升对显著性特征的关注度,同时引入Si LU激活函数提高深层网络的计算精度,加快模型推导速度。最后,利用路径聚合特征金字塔网络以融合多尺度特征,实现网络不同层次间的信息交互,提升对眼中异物类型判断的准确率。特征金字塔网络中,本文通过SPPFCSPC模块重构空间池化层与卷积层的连接方式减轻了计算开销;通过SPD-Conv、Conv Mix模块捕捉深层网络中空间及通道方向上的关键特征,提升对于眼中异物的检测性能。这些轻量化模块优化了特征信息传递与网络计算的方式,并在提升检测识别准确率的前提下完成了对整体模型的轻量化改进。最终对比试验证明,本模型相关参数指标:m AP@0.5指标为97.2的、敏感度为98.0%、准确度为93.5%、特异性指标为88%。该论文共有图40幅,表9个,参考文献108篇。

关键词： 联邦学习   分布信息共享   隐私保护   非IID数据  

摘要： 近年来,联邦学习由于其保护隐私的特性被越来越多的应用在医学领域。然而,由于受到规模和地理位置等因素影响,各医疗机构之间的数据是非独立同分布(IID)的,这使得传统联邦学习算法的性能出现下降。为了解决该问题,同时保证病人隐私数据的安全,我们提出了一种分布信息共享的联邦学习方法(FedDIS),该方法通过利用从其他客户端接收到的数据分布在各个客户端本地生成数据,从而提升非IID数据条件下联邦学习的性能。具体地,本文的主要研究工作如下: 1)基于全局生成器的数据分布信息共享和数据增扩方法研究。为了解决非IID数据导致联邦学习性能下降的问题,首先,学习一个生成模型来获取各客户端本地数据的分布信息,利用生成模型将客户端数据映射到一个低维的隐空间中,为了更准确的估计数据集在隐空间的分布,采用σ-点采样的方法对隐空间进行重参数化,生成了更多的隐空间样本点,并假设了不同的隐空间分布类型。各客户端将本地数据在隐空间的分布估计完成后,将分布信息进行共享,这样每个医疗机构会收到来自其他所有参与联邦学习机构的隐空间数据分布信息,然后根据这些信息对本地数据集进行数据增扩,以减少客户端本地和客户端之间数据的非IID程度,从数据本身来解决非IID问题。最终实验表明所提出的方法在非IID情形下显著提升了任务模型的性能。 2)分布共享联邦学习方法中的隐私问题研究。为了证明分布共享联邦学习方法的隐私保护特性,首先定义了数据集之间的距离和最大SSIM作为隐私泄露度量的显式表达,利用这些指标度量了生成数据和原始数据的差异。由于医学影像数据不仅存在整体的泄露,还存在局部的泄露,比如病灶等感兴趣区域的泄露,因此进一步提出了基于深度学习的隐私问题度量指标。首先对图像进行滤波得到图像中的中高频信息,然后利用多尺度模型进行特征的提取,最后利用多层感知器(MLP)对特征进行判定学习。在实验中,构造了两个实例数据集分别对模型进行了训练,最终的测试结果表明分布共享联邦学习方法可以很好的保护原始数据的隐私信息。