医学知识标注体系设计与系统构建

目前,海量医学数据,尤其是电子健康病历等有价值的数据仍亟待挖掘。然而以深度学习为代表的最新的模型更适用于结构化数据。因此需要标注实现非结构化数据到结构化数据的转换。医学知识标注则需要以标准的标注体系及标注系统为基础。针对医学知识标注体系缺乏、标注系统功能缺失、知识标注方式单一的问题,提出医学知识标注体系设计以及医学知识标注系统构建范式,从标注体系设计、系统业务需求、用户分析、功能设计等方面,分析了医学知识标注体系的实现方法,并综合系统流程化标准需求、语义映射需求、标注可视化综合需求、人员管理需求等方面进行了详细描述,为医学知识标注的推广作为参考,并提供交互友好的医学知识标注平台。

三维医学图像分割标注技术的回顾

综述20世纪90年代以来三维医学图象分割标注技术。从方法学的观点将现有方法分为以下几类:聚类（阈值）;统计学方法;变形轮廓线;区域生长;数学形态学;非线性方法（模糊分割,神经网络,遗传算法）;三维模型。对各种类型逐一进行了细分,并给出了详细的例子。最后,论文还对三维医学图像分割标注的发展趋势进行了评述。

基于图理论学习模型的胃窥镜图像自动标注

为了解决目前医学图像检索领域不能有效缓解"语义鸿沟"的问题,提出基于图理论学习模型的图像自动标注方法.首先讨论了医学图像的标注问题,总结了现有关医学图像标注的研究工作.以胃窥镜图像为具体研究对象,针对图学习模型中的图像-标注词间的关系提取以及图像相似度计算进行了详细分析,并有效地融合进医生的诊断信息作为图像的高级语义特征,更有效地计算出图像间相似度.最后,在Toy data数据集和临床胃窥镜图像集上进行了一系列的实验,结果表明本文方法优越于传统图像标注方法.