簡介：隨著數(shù)字化醫(yī)學(xué)影像設(shè)備的進步，醫(yī)師的影像診斷方式發(fā)生了根本變化。目前，基于醫(yī)學(xué)影像診斷系統(tǒng)（MEDICALIMAGINGDIAGNOSISSYSTEMS）的“軟讀片”方法正逐漸在臨床應(yīng)用中普及?；卺t(yī)學(xué)影像診斷系統(tǒng)的“軟讀片”流程是首先將采集到的醫(yī)學(xué)影像傳輸存儲到影像服務(wù)器，然后通過影像診斷工作站查詢并調(diào)閱影像，通過觀察屏幕顯示的圖像進行臨床診斷。因此，影像的有效存儲、高速傳輸和高清晰屏幕顯示是提高影像診斷效率與精度的關(guān)鍵。本文針對近年CT檢查公眾劑量負擔過高的現(xiàn)狀和一次CT檢查將獲取數(shù)千幅的2維序列圖像，給醫(yī)學(xué)影像數(shù)據(jù)的有效存儲、高速傳輸和三維顯示質(zhì)量帶來了嚴峻挑戰(zhàn)的問題，開展多尺度分析方法在醫(yī)學(xué)影像診斷系統(tǒng)中的應(yīng)用研究。首先研究了基于小波分析的低劑量CT圖像的有效壓縮方法，進而研究了基于小波和剪切波變換的CT圖像的層間插值算法，為提高影像診斷系統(tǒng)的效率與精度奠定了較好基礎(chǔ)。本研究主要內(nèi)容包括⑴系統(tǒng)研究了兩種具有代表性的多尺度幾何分析方法小波變換和剪切波變換，并比較研究了其變換特點及變換系數(shù)分布規(guī)律。⑵為了改善影像診斷系統(tǒng)的存儲與傳輸效率，本文在詳細研究JPEG2000的兩種核心編碼算法，使用樹結(jié)構(gòu)的SPIHT編碼算法和塊結(jié)構(gòu)的EBCOT編碼算法的基礎(chǔ)上，基于EBCOT編碼的壓縮優(yōu)越性，提出一種新穎的基于小波變換的自適應(yīng)截斷碼流的壓縮算法。其創(chuàng)新點在于先將圖像轉(zhuǎn)化到小波域，然后對小波系數(shù)進行去噪處理，再對處理后的小波系數(shù)進行基于自適應(yīng)截斷編碼的塊編碼，其編碼通道數(shù)由小波子帶的相對重要性自適應(yīng)決定，最后通過解碼和小波逆變換重構(gòu)圖像。實驗結(jié)果表明在相同壓縮比下，與EBCOT算法相比，本文提出的算法不僅有較好的重構(gòu)圖像質(zhì)量，能獲得更高峰值信噪比和平均結(jié)構(gòu)相似度，還降低了計算復(fù)雜度。⑶為了提高影像診斷系統(tǒng)的診斷精度，提出了一種基于非下采樣剪切波變換的低劑量CT圖像層間插值算法。實驗結(jié)果表明在一定噪聲干擾下，與基于小波域的層間插值算法相比，該算法能夠獲得更優(yōu)的CT重建圖像。

簡介：PACSRIS系統(tǒng)是集醫(yī)學(xué)影像的采集、傳輸、存儲、查詢、診斷、報告、綜合信息管理等于一體的綜合應(yīng)用系統(tǒng)。內(nèi)蒙古自治區(qū)人民醫(yī)院PACSRIS系統(tǒng)使用至今，已有10年之久，該系統(tǒng)的基礎(chǔ)功能，如檢查登記、報告書寫等，已經(jīng)不能滿足當前影像醫(yī)學(xué)科管理。因此，在原有PACSRIS系統(tǒng)的基礎(chǔ)上，進行優(yōu)化升級，有助于提高影像醫(yī)學(xué)科的管理水平，形成一整套功能完善的PACSRIS系統(tǒng)。本文主要介紹了對該系統(tǒng)優(yōu)化升級所做的一些工作。首先，通過訪談影像醫(yī)學(xué)科工作人員、查閱相關(guān)文獻和對原有PACSRIS系統(tǒng)功能調(diào)研，明確了原有系統(tǒng)的不足之處，進而對系統(tǒng)的功能需求進行了詳細的分析，為系統(tǒng)的設(shè)計和實現(xiàn)提供了可靠的依據(jù)。然后，對PACSRIS系統(tǒng)進行整體設(shè)計，包括軟件架構(gòu)、模塊結(jié)構(gòu)、數(shù)據(jù)模型等，并對優(yōu)化的功能模塊和數(shù)據(jù)庫模塊進行了詳細的設(shè)計。最后，采用DELPHI70編程技術(shù)和SQLSERVER2008數(shù)據(jù)庫技術(shù)，實現(xiàn)了報告分配功能，包括排班設(shè)置、醫(yī)生排班、報告分配、自動分配。同時實現(xiàn)了報告質(zhì)量管理、圖像質(zhì)量管理、科研教學(xué)管理和讀片會診管理等功能。通過對PACSRIS系統(tǒng)的優(yōu)化升級，能夠幫助影像醫(yī)學(xué)科醫(yī)生更加快速地生成影像報告，加強了影像醫(yī)學(xué)科質(zhì)量控制管理，方便日?？蒲薪虒W(xué)管理，提高醫(yī)生的診斷水平，極大地方便醫(yī)生日常操作。同時能夠為日后與醫(yī)養(yǎng)結(jié)合信息系統(tǒng)的互聯(lián)奠定基礎(chǔ)。

簡介：隨著醫(yī)療成像設(shè)備突飛猛進的發(fā)展，針對不同成像設(shè)備的圖像處理算法也層出不窮。為了充分利用已有算法，避免重復(fù)開發(fā)，一些國內(nèi)外研究機構(gòu)研發(fā)了醫(yī)學(xué)影像處理與分析軟件平臺?，F(xiàn)有的醫(yī)學(xué)影像處理與分析軟件平臺在特定領(lǐng)域已經(jīng)取得了巨大的成功，但是還存在如下不足一些功能強大的醫(yī)學(xué)影像處理與分析綜合平臺需要配套醫(yī)療設(shè)備或特殊硬件才能運行，價格昂貴，不利于學(xué)習(xí)和在醫(yī)學(xué)領(lǐng)域的普遍使用；開源框架的軟件平臺二次開發(fā)學(xué)習(xí)成本過高，這主要是由于其依賴的開源軟件庫過于龐大和復(fù)雜造成；由于醫(yī)學(xué)影像數(shù)據(jù)本身的復(fù)雜性，使得現(xiàn)有軟件平臺的專業(yè)性太強，通用性不足，使用不便。本文的設(shè)計目標是在WINDOWS操作系統(tǒng)下集成常用的醫(yī)學(xué)影像處理與分析算法，以減輕算法研究者在算法工具使用上的學(xué)習(xí)成本，使得他們能夠?qū)Ｗ⒂谛滤惴ǖ脑O(shè)計和對比分析。論文的主要內(nèi)容如下1、醫(yī)學(xué)影像處理與分析算法平臺的設(shè)計。該算法平臺劃分為三層第一層，底層，基于VTK、ITK、FSL等成熟開源算法庫構(gòu)建；第二層，中間層，將底層算法庫中關(guān)于醫(yī)學(xué)影像格式轉(zhuǎn)換、濾波、配準、分割和三維重建的算法按照統(tǒng)一的圖像讀寫接口封裝，以便于應(yīng)用層的調(diào)用；第三層，應(yīng)用層，把中間層提供的算法按照一定的規(guī)則組合、連接，設(shè)計了圖像格式轉(zhuǎn)換、配準與分割、顯示三個交互模塊。2、醫(yī)學(xué)影像處理與分析軟件的實現(xiàn)。依據(jù)醫(yī)學(xué)影像處理與分析算法平臺的設(shè)計，對底層ITK和VTK算法庫中相關(guān)算法進行了封裝，將FSL算法庫中關(guān)于腦部影像配準與分割的功能模塊移植到了WINDOWS操作系統(tǒng)下運行，把MATLAB環(huán)境下運行的腦部海馬體三維分割算法集成到了算法平臺中，所有算法均按照中間層圖像讀寫接口的設(shè)計規(guī)則進行封裝。軟件中實現(xiàn)了應(yīng)用層的三個交互模塊第一個，圖像格式轉(zhuǎn)換模塊，實現(xiàn)了DICOM切片序列轉(zhuǎn)換為三維NIFTI文件、三維NIFTI文件重切片為DICOM序列等格式轉(zhuǎn)換功能；第二個，配準與分割模塊，實現(xiàn)了FLIRT腦部影像線性配準、FIRST腦部影像興趣區(qū)域分割、BET腦組織提取、HST腦部海馬體分割四個算法；第三個，顯示模塊，實現(xiàn)了醫(yī)學(xué)影像二維顯示和三維重建，二維顯示支持興趣區(qū)域勾畫，三維重建支持面繪制、網(wǎng)格繪制和體繪制，體繪制中支持標簽圖像的疊加顯示。3、軟件功能測試。使用CT、MRI影像測試了格式轉(zhuǎn)換模塊、配準與分割模塊、顯示模塊，驗證了這三個模塊的正確性。特別地，使用ADNI數(shù)據(jù)庫中的腦部MRI影像對FIRST算法在WINDOWS和LINUX操作系統(tǒng)下分別進行了18組實驗，根據(jù)PRECISION相似測度對FIRST算法分割結(jié)果進行比較，兩個操作系統(tǒng)下的分割結(jié)果沒有明顯差別，證明了移植后的FIRST算法能夠正確運行。

簡介：隨著數(shù)字化醫(yī)學(xué)影像技術(shù)的不斷發(fā)展，現(xiàn)如今醫(yī)學(xué)影像設(shè)備在臨床醫(yī)學(xué)上廣泛應(yīng)用開來，基于醫(yī)學(xué)影像技術(shù)的計算機輔助診斷應(yīng)用也迅速普及起來。各種醫(yī)學(xué)影像模式，也已作為病情跟蹤、臨床醫(yī)學(xué)診斷以及教學(xué)研究等的重要客觀依據(jù)，并促進了現(xiàn)代臨床醫(yī)學(xué)診斷技術(shù)的發(fā)展。運用數(shù)據(jù)挖掘中的分類技術(shù)，對醫(yī)學(xué)影像分析處理后，挖掘出深層本質(zhì)特征信息，輔助醫(yī)學(xué)臨床診斷，減少醫(yī)生工作量的同時降低了由于醫(yī)生依靠臨床經(jīng)驗進行診斷的誤差。除此之外，對于學(xué)術(shù)研究的價值也比較高，應(yīng)用場景也比較廣泛。但由于醫(yī)學(xué)影像本身的特點，比如樣本種類繁多，維度高，采樣周期不均等，使得醫(yī)學(xué)影像的診斷識別成為了一個復(fù)雜且非線性問題。在影像分類方法技術(shù)中，研究者們提出了很多基于神經(jīng)網(wǎng)絡(luò)、概率統(tǒng)計等方法，如貝葉斯分類方法等。在貝葉斯分類方法的基礎(chǔ)上，研究者們提出了多方面上的改進，包括最基本的樸素貝葉斯分類模型NB和后來的AODE分類模型等。對于即時性要求高的應(yīng)用場景，研究者們也提出了相應(yīng)的解決方法AAPE分類模型。由于在選擇父屬性時，AAPE分類模型本身不會考慮它們的選擇順序，即選擇順序?qū)Ψ诸惤Y(jié)果造成的影響，因此針對早期的分類可能精確度較低。針對這一不足之處，本文通過引入遺傳算法，提出了基于該算法以及特征屬性權(quán)重的AAPGE分類模型。該模型將會權(quán)衡計算資源和分類結(jié)果精確度，使兩者能達到平衡，即時性要求下精確度也能達到一定程度。本文的主要研究成果如下1在AAPE分類模型的基礎(chǔ)上，引入遺傳算法以及計算特征屬性權(quán)重的方法，提出了改進的貝葉斯分類模型AAPGE。然后利用互信息以及卡方統(tǒng)計信息這兩種計算屬性權(quán)重的方法取得計算值分別作為遺傳算法的適應(yīng)度函數(shù)，并運用遺傳算法計算屬性排序后的SPODE。最后取得結(jié)果證明AAPGE分類模型比AAPE的精確度高，并且在分類早期精確度得以提升。2基于AAPGE分類模型，將設(shè)計并實現(xiàn)一個醫(yī)學(xué)影像分類系統(tǒng)原型。經(jīng)過實驗測試，證明該模型相對于AAPE分類模型，分類的精確度上效果明顯提升，同時保證了分類的即時性和準確性能達到一種平衡。