基于GLCM和深度神经网络特征融合的小样本肺炎诊断算法

针对图像分类的各种深度神经网络模型发展迅速,但是在训练样本极少的情况下,深度学习模型普遍无法取得良好的样本外表现。纹理是医学影像中图像识别的关键特征,本文使用灰度共生矩阵(Gray Level Co-Occurrence Matrix, GLCM)提取胸部X光片的纹理特征,与预训练的ResNet50提取的特征进行融合,最后使用机器学习分类模型对胸部X光片进行肺炎识别。在本文的7种分类算法下,使用逻辑回归分类取得了最好的结果,该模型仅使用灰度共生矩阵提取的特征的分类准确率为80%,使用预训练的ResNet50提取的特征的分类准确率为90%,融合特征分类准确率为92.5%。实验结果显示,与仅使用一种方法提取特征的分类结果相比,融合特征再分类的方法使准确率有明显的提高。

基于Windows自定义消息的消化内镜系统集成

目的:优化消化内镜系统的病理检查申请流程,避免重复录入数据。方法:首先分析消化内镜检查工作站与病理检查申请软件的主要功能,从中归纳出系统集成需求,并基于Windows自定义消息机制设计系统的集成框架。然后,详细阐述动态链接库文件的创建及其在PowerBuilder中的声明和使用、进程间消息的发送和接收等实现技术。结果:基于Windows自定义消息,较好地完成消化内镜系统集成,优化病理检查申请流程,简化数据录入操作。结论:基于Windows自定义消息的系统集成方法可方便地实现进程间的数据共享和信息交换,但尚未彻底解决软件界面集成问题。

结构化报告的设计与开发

首先对结构化报告(structured report,SR)作了简单的介绍,然后采用面向对象的方法,提出了结构化报告对象模型(structure report object model,SROM),并用VC++进行了实现。

医院PACS服务全面虚拟化的研究与实现

目的:主要介绍解放军总医院海南医院PACS建设现状及PACS全面虚拟化的实现方法。方法:结合医院PACS运行现状,对系统资源进行虚拟化改造,实现系统的高效稳定运行。结果:应用服务器虚拟化技术、虚拟内存盘技术及云桌面技术,提升了资源利用率,提高了PACS运行效率。结论:应用虚拟化技术减少系统建设成本,提升了系统的稳定性、高效性。

山东省多中心消化内镜人工智能云平台的构建(含视频)

目的基于消化内镜人工智能与互联网平台,探索构建一个安全规范、科学严谨的消化内镜数据库,为我国消化内镜人工智能数据质量控制提供参考和依据。方法针对12种常见消化道疾病,参考相关指南规范,讨论确定消化内镜图像数据的采集与标注标准;研发山东省多中心消化内镜数据在线采集与标注软件;采用国内市场保有量>5%的内镜设备,对参与图像采集与标注的数十位经验丰富的内镜操作医师统一进行数据标注讲解训练。自2019年7月至2020年7月前瞻性、连续性采集、标注来自山东大学齐鲁医院、山东省立医院、聊城市人民医院、临沂市人民医院、威海市立医院、泰安市中心医院、滨州医学院附属医院、烟台毓璜顶医院、山东大学齐鲁医院青岛院区9家医疗中心的内镜检查数据;经数据优化、脱敏、泛化后上传至服务器,经文件同步、数据处理和专家审核,构建山东省多中心消化内镜人工智能数据规范化采集与标注数据库,即云平台。采用描述性方法进行统计学分析。结果制定了山东省多中心消化内镜人工智能数据采集与标注标准;研发了山东省多中心消化内镜人工智能在线采集与标注软件;成功构建了山东省多中心消化内镜人工智能数据库,数据库中标注病灶43010个,其中,早期食管癌病灶2906个,早期胃癌2912个,早期结直肠癌2397个,结直肠息肉9773个(腺瘤性息肉5539个,非腺瘤性息肉1161个,未定性息肉3073个),标注图像40353张,标注检查数量11289例次。结论山东省多中心消化内镜人工智能云平台采用统一标准和采集标注软件,保证了内镜数据的安全性、规范性,为我国消化内镜人工智能数据标准化采集、标注质量控制体系的构建和第三方数据监管提供了参考和依据。