5篇关于辅助诊断的计算机毕业论文

今天分享的是关于辅助诊断的5篇计算机毕业论文范文, 如果你的论文涉及到辅助诊断等主题,本文能够帮助到你

基于噪声CT影像的新冠肺炎辅助诊断方法研究

这是一篇关于低剂量CT影像,辅助诊断,噪声抑制模块,软阈值函数,通道注意力机制的论文, 主要内容为在当今临床上的疾病辅助诊断方式中,计算机断层扫描(CT)是其中最有效的方式之一。然而,CT检查时的高辐射危害一直是人们所在意的一个问题,盲目使用低辐射剂量,会使得所重建出来的CT影像噪声急剧增多,从而大大影响了诊断效果。相比人工诊断,使用深度学习技术进行辅助诊断可以更容易关注到噪声CT影像的病灶特征。因此本文中提出了可以面向噪声CT影像的深度学习方法,使其能够应用于低剂量CT(Low-Dose CT,LDCT)影像的辅助诊断中,在能够辅助医疗人员对LDCT影像进行疾病诊断的同时,还可以尽量降低患者做CT检查时受到的辐射剂量,保障其身体健康。本文研究的主要工作内容如下几个方面:(1)针对真实的LDCT影像数据集难以获取的问题,我们自主构建了一种含有噪声的新冠肺炎LDCT数据集(COVID-19-LDCT)。在这个过程中,首先收集了常规剂量的新冠肺炎CT(COVID-19-CT)数据集,并对该数据集进行了预处理,以及使用Smote算法解决了数据集中类别不平衡问题。随后对LDCT影像中的噪声成分进行了分析,根据其原理与数学关系自主建模了该类噪声。最后通过在COVID-19-CT数据集上添加上述建模的噪声,构建了COVID-19-LDCT数据集。(2)针对LDCT影像中存在大量噪声,不利于神经网络进行准确诊断的问题,提出了一种可用于抑制噪声的模块NS(Noise Suppression),并将其嵌入至Res Net模型的残差单元(Residual Block Unit,RBU)中。通过这种方式改进的Res Net有两种形式,一种是通道间阈值相同(Channel-Same,CS)的Res Net-CSNS,另一种是通道间阈值不同(Channel-Different,CD)的Res Net-CDNS。NS模块由软阈值函数与SE通道注意力机制组成,软阈值函数可以协助模型过滤CT影像中的噪声特征,以此达到抑制噪声的目的;SE注意力机制则用于协助为特征的每个通道自适应设置阈值,解决软阈值函数中的阈值设置难题。通过在COVID-19-LDCT数据集上实验,结果表明该模块能够有效提高模型在噪声CT下影像的分类性能。(3)在上述研究的基础上,提出了一种性能更优秀且更轻量的噪声抑制模块ENS(Efficient Nosie Suppression)。为了能够进一步提高模型在LDCT影像上的诊断性能和效率,我们对上述的NS模块进行了进一步的改进。首先是针对软阈值函数在早期训练过程易将部分未被及时关注到的有用特征清除的问题,通过在其梯度为0的部分添加了适当的梯度,设计了Leaky-软阈值函数。该新型软阈值函数使得模型能够在具备噪声抑制功能的同时,还增强了对特征的保护能力,防止有用信息的丢失,以此提升模型在噪声CT影像下的分类性能,通过实验表明了该改进方法的有效性。其次是针对SE注意力机制带来的高参数量问题,通过引入更轻量的ECA注意力机制取代SE,大大减少了抑噪模型中的参数引入,以此提高了模型的分类效率。(4)为了避免本研究中所提出的噪声抑制方法在适用场景上出现单一性的问题,我们将ENS分别应用于Res Net与Mobile Net V2模型中,提出了Res Net-ENS和Mobile Net V2-ENS。前者准确率更高,但参数量相对较多,适用于在具备一定算力的计算机等设备实现精确诊断;而Mobile Net V2-ENS模型是非常轻量化的,因此适用于在移动式或嵌入式设备实现快捷诊断。

基于知识图谱推理的院前急救辅助诊断模型研究

这是一篇关于知识推理,知识图谱,表示学习,辅助诊断,推荐的论文, 主要内容为院前急救是急救过程的首要环节,在重大活动保障、医疗急救、突发公共事件等方面发挥重要作用,目前研究主要是利用各种技术和装备实现系统间的互联互通以及数值信息记录。但是疾病的院前救治措施和患者症状、病史等信息也会影响患者诊断、治疗。为了解决上述问题,本文面向院前急救信息管理系统,利用院前急救文本数据,基于知识图谱和知识推理技术展开一系列研究。本文主要工作内容如下:(1)院前急救知识图谱:通过分析院前急救应用场景和诊断要点构建院前急救本体模型,在此基础上对院前急救文本数据进行序列标注。经过标注后采用BERT-Li LSTM-CRF模型抽取标注数据实体关系,经过实验表明模型在命名实体识别任务上有较好的性能。最后将抽取的实体关系存储到neo4j图数据库中,实现院前急救知识图谱可视化。(2)院前急救辅助诊断推荐模型:根据院前急救电子病历特点,针对面向院前急救知识图谱推理中计算实体关系相似度造成语义特征缺失问题,基于Sentence-BERT推理模型,将知识推理问题建模为句子相似性计算任务。使用BERT模型对候选实体关系对于院前急救知识图谱中所有实体分别进行编码获取特征向量表示,并通过孪生神经网络计算相似性,在保留文本语义的情况下实现知识推理。实验结果表明模型提高了推荐准确率并缩短计算耗时。(3)院前急救智能问答模型:面向院前急救问答过程中复杂知识推理问题,以及院前急救知识图谱结构不完整问题,本文基于Query2box模型将知识图谱中多跳推理问题转换为向量空间中超矩形,并将知识推理的逻辑运算表示为向量空间中的几何运算。经实验验证,该模型可以有效地提升不完全知识图谱上复杂关系推理的性能。(4)院前急救系统原型:在上述技术及现有系统基础上面向现场急救人员设计了院前急救系统原型,该系统实现在症状、病史采集过程中查看相关疾病和急救措施,并设计智能问答系统帮助急救人员提高决策效率。通过本文的研究在不改变急救人员现有工作流程和习惯的前提下,为使用者提供常见急救伤病智能诊断方案。

基于知识图谱嵌入的急性心肌梗死辅助诊断模型

这是一篇关于急性心肌梗死,辅助诊断,Bert,知识图谱的论文, 主要内容为急性心肌梗死(AMI,Acute Myocardial Infarction)有许多非典型的症状,如肩痛、颈痛等,因此临床误诊率高。人工智能技术已经广泛应用于医学领域,但目前尚无研究将其应用于改善急性心肌梗死误诊率高的问题。基于本文的研究,一方面可以改善急性心肌梗死的误诊问题。在急性心肌梗死患者因非典型的临床表现如肩痛、颈痛而选择其他科室时,辅助诊断系统能够及时提示医生需对患者进行急性心肌梗死相关检查。另一方面可以为文本分类提供新思路。基于预训练模型的迁移学习、微调技巧、知识图谱的融合以及最后分类的方式,都可以应用于其他的文本分类任务。总体来说,本文构建了一个急性心肌梗死的分类模型。将患者的病历信息输入模型,即可得到模型的诊断结果,该患者是否应诊断为急性心肌梗死,从而作为实际诊断的依据。本文选取877条电子病历作为训练以及测试数据,其中有429条为急性心肌梗死患者病历。在模型构建过程中,首先基于知识图谱用TransD模型训练实体向量,然后与Bert模型训练得到的文本向量表示进行融合,最后用融合得到的向量进行分类。本文在运用Bert模型时,进行了一定的微调操作,包括输出数据的选择和学习率的设置,用以增强分类效果。模型最后取得了较好的结果,在测试集上准确率为0.9242,召回率为0.9538,F1值为0.9254。测试结果说明模型有较强的检测急性心肌梗死患者的能力,同时兼顾了医疗资源的合理使用以及诊治的效率。对比实验的结果显示,知识图谱的融合以及对于Bert模型的两个微调操作都为提升模型效果带来了正向作用。

基于CT的肺炎辅助诊断方法研究

这是一篇关于肺炎,辅助诊断,CT,图像分割,亚视觉病变的论文, 主要内容为近年来,新冠肺炎疫情爆发引起了广泛关注,CT是快速筛查肺炎的有效工具,但大量的CT数据给影像科医生带来巨大的诊断压力,计算机辅助诊断方法能够有效的提升医生的诊断效率。当前基于人工智能的肺炎辅助诊断方法以肺炎分类和肺炎分割为基础任务,他们相辅相成,共同为临床医生提供决策支持。针对分类问题,现有的方法会将整个CT扫描输入到网络中训练,与肺炎无关的切片会增加网络训练的时间。针对肺炎分割任务,现有的研究大多数的模型只能处理来自同一机器的数据,模型缺少泛化能力。此外在新冠肺炎的随访中发现,新冠肺炎患者的肺部由于纤维化的影响,存在着部分肺窗下不可见的亚视觉病变,大部分研究忽略了亚视觉病变。本文利用深度学习算法对肺炎的分类、肺炎病灶的分割以及亚视觉病变的分割进行了研究,研究内容如下:(1)本文针对肺炎分类的任务,提出了基于改进Resnet的肺炎分类方法。首先使用CT选择算法,去除掉CT扫描中肺闭合的切片,使模型专注提取有效的肺炎特征。接下来,基于Resnet50分类网络,使用RReLU激活函数,避免了“神经元死亡”问题。此外,由于肺炎的形态和大小存在较大的差异,因此在网络加入了特征金字塔机制,将高层更丰富的语义特征和低层空间位置特征融合,提高了网络对多尺度特征的提取。在新冠肺炎和免疫性肺炎的数据集上,有效的提升了分类的性能。(2)针对肺炎分割任务,提出了基于2.5D U-net模型的肺炎分割方法。首先使用空间归一化和信号归一化的方法将CT嵌入到标准空间,使模型能够处理来自不同机器的CT数据。2.5D U-net分割模型分别从x-y平面,x-z平面以及y-z平面进行2D U-net分割,并将3个2D分割结果融合,使得模型能够同时学习切片内部的特征以及切片之间的空间特征。在新冠肺炎数据集上,达到了分割性能和准确率之间的平衡。(3)针对亚视觉病变分割任务,提出了基于肺实质增强的亚视觉病变分割方法。首先使用基于两阶段2.5D U-net分割模型提取肺气管血管,两阶段分割模型解决了大场景小目标分割不精准的问题。接下来,从肺实质中去除掉气管血管以及可见病灶等无关组织,同时基于CT值计算出观察亚视觉病变的最佳窗宽窗位,此时的窗口与肺窗相比显著增强了肺实质异常。在增强后的CT图像中识别亚视觉病变,并对其进行量化分析。