基于Python和MySQL的医疗机构药品及耗材信息管理系统的设计与实现

目的:开发设计医疗机构药品及耗材信息管理系统软件,以加强药品及耗材的信息规范化和数字化管理,提高药品及耗材管理工作效率。方法:使用Python编程语言作为前端开发工具,以MySQL作为后台数据库,采用客户机与服务器(C/S)和浏览器与服务器(B/S)混合模式构建系统,开发设计医疗机构药品及耗材信息管理系统软件。结果:开发设计的医疗机构药品及耗材信息管理系统软件具备药品及耗材信息添加、修改、删除和查询等基本功能,并能进行统计、筛选和绘制图表等操作,系统界面设计简洁,操作简便,占用空间小,使得冗杂繁琐的药品及耗材信息管理工作规范化、简单化。软件鲁棒性强,运行优良,测试效果基本能实现药品及耗材信息管理工作的需求。结论:医疗机构药品及耗材信息管理系统软件能够实现基本的药品及耗材信息管理功能,并使得药品及耗材的筛选、统计和分析工作更加方便快捷,有效提升药品及耗材信息管理工作的信息化管理水平。

基于深度学习的超声自动测量左室射血分数的研究

目的为提高基于超声心动图Simpson法的左室射血分数(LVEF)测量的效率,提出一种基于深度学习自动测量LVEF的方法。方法首先,建立卷积神经网络,利用收集的38 153幅标记的数据对网络进行训练测试和验证,将采集到的超声心动图数据自动分成5类,获取心尖二腔(A2C)和四腔(A4C)切面;其次,建立全卷积神经网络,以VGG-19为主干架构,利用收集的3871幅A2C和4679幅A4C数据进行训练测试和验证,对自动获得A2C和A4C的左室进行自动分割,计算LVEF。结果该方法获得A2C和A4C的准确率达96.8%,分割真阳性率达88.8%,所得LVEF误差率为0.038 947。结论深度学习自动测量LVEF的方法较传统方法精度和效率更高,具有较好的临床应用价值。

基于深度学习的中孕期胎儿超声筛查切面自动识别

目的本研究利用深度学习方法,基于深度卷积神经网络模型,对中孕期胎儿超声筛查图像的31个标准切面进行自动识别。方法采集孕20~24周胎儿超声筛查切面图像共76260张(包含31个切面),将其划分为训练集68386张,测试集7874张。在Vgg16网络模型上进行模型微调,加载数据集进行训练。将训练好的模型在测试集进行验证。结果该模型对于胎儿超声筛查切面的识别正确率为94.8%。结论该方法能够准确识别胎儿超声筛查图像的每个切面,为胎儿超声图像的自动质量控制解决方案打下了坚实的基础。