论文题目：基于Web的医学影像管理与分析系统
摘要：一所医院每天拍摄的影像的数量是一个很庞大的数字,如何对这些影像管理是一项很重要的工作,也意味着有越来越多的医学影像需要医生去诊断,影像科的医生相对这快速增长的庞大影像数据又极其稀缺。其次,目前国内外的医学影像管理系统大多都需要医院安装客户端,基于Web的软件可以有效解决这一问题,同时医学影像管理系统很少和计算机辅助诊断系统相结合,这两个系统分别独立,这样降低了医院的工作效率。本文所提出的医学影像管理与分析系统是在对医院相关部门的工作流程进行调查后采用B/S模式开发的一个医疗软件,该软件可以实现患者从就诊到打印图文报告的整个流程以方便管理医学影像以及在线阅片,同时在这基础之上增加计算机辅助诊断功能,由于医学影像数据的难以采集加上论文的篇幅有限,在计算机辅助诊断模块,本文在这一模块中仅实现在线对真菌性角膜炎的共聚焦显微镜图像的自动诊断,提供给眼科医生参考。真菌性角膜炎属于眼科的一种疾病,该病是由于患者眼部受到外伤,被外部细菌感染所引起的,其致盲率仅次于白内障。检查真菌性角膜炎的方法有很多,共聚焦显微镜是一种活体检查技术,能够对活体角膜进行无侵入式的快速检查,是诊断真菌性角膜炎的有力工具,本文用于实验的图像数据正是采用共聚焦显微镜拍摄的。本文具体的工作内容主要如下:（1）本文首先通过调研和查阅资料得到医院相关部门的工作流程之后,对该系统进行需求分析和设计,采用SpringBoot+MybatisPlus+LayUI+Mysql搭建了一个B/S模式的医学影像管理与分析系统;在系统架构中,采用用户层、应用层、数据层等分层设置。用户层将该系统分为医护人员和后台管理人员界面,数据层采用Mysql数据库服务器。在系统开发完成之后,进一步地对该系统进行测试,发现其可以稳定运行。最终实现了患者从预约登记到诊断完毕后打印图文报告的整个工作流程,可以提高医院的工作效率。（2）在本文开发的系统中的计算机辅助诊断模块中,本文对真菌性角膜炎的共聚焦显微镜图像的分类进行研究,旨在获得一个对该图像分类的神经网络模型。首先通过采用AlexNet进行不同初始学习率的实验对比之后,选用0.0001的初始学习率对AlexNet、ZFNet、VGG16三个网络进行训练,得到三个不同的分类模型。其次,通过集成学习的方法将这三个网络通过相对多数投票法和加权平均法这两种方式进行集成,最终发现通过加权平均法对比之前三个网络均提高了性能,达到了 0.9964的分类准确率。最后,将该网络模型集成到开发的系统中,实现在线对真菌性角膜炎的共聚焦显微镜图像的自动诊断,提供给医护人员参考。
关键词：B/S;卷积神经网络;医学影像管理;真菌性角膜炎;计算机辅助诊断
学科专业：集成电路工程（专业学位）
摘要
ABSTRACT
符号说明
第一章 绪论
1.1 选题背景及意义
1.2 国内外研究现状
1.3 论文研究内容与结构安排
第二章 相关技术概述
2.1 B/S模式
2.2 开发技术选型
2.2.1 SpringBoot简介
2.2.2 MybatisPlus简介
2.2.3 LayUI简介
2.2.4 Mysql简介
2.3 深度学习理论概述
2.3.1 神经元模型
2.3.2 卷积神经网络概述
2.4 本章小结
第三章 医学影像管理与分析系统的需求分析和设计
3.1 需求分析
3.1.1 系统功能需求分析
3.1.2 系统非功能性需求分析
3.2 概要设计
3.2.1 系统总体架构
3.2.2 系统功能架构
3.3 数据库设计
3.3.1 数据库的E-R图
3.3.2 数据库物理表设计
3.4 程序详细设计
3.5 本章小结
第四章 基于深度学习的真菌性角膜炎识别研究
4.1 数据集描述
4.2 卷积神经网络模型
4.2.1 AlexNet
4.2.2 ZFNet
4.2.3 VGG16
4.3 基于深度学习的真菌性角膜炎识别
4.3.1 实验环境搭建
4.3.2 实验评价标准
4.3.3 实验设计及结果分析
4.3.4 集成学习的对比结果及分析
4.4 本章小结
第五章 医学影像管理与分析系统的实现和测试
5.1 系统开发和运行环境
5.2 系统各功能模块实现
5.2.1 医护人员模块
5.2.2 管理人员模块
5.3 系统测试
5.3.1 医护人员模块测试
5.3.2 管理人员模块测试
5.4 本章小结
第六章 总结与展望
6.1 论文总结
6.2 论文展望
参考文献
致谢
附件