阿兹海默症核磁共振数据库的设计和辅助诊断模型研究

发布时间：2020-04-07 18:47

【摘要】：阿尔茨海默症没有明显特异性的生物学标志。在临床上,阿兹海默症的检查手段主要是有一些神经心理学测验,以及通过磁共振手段的影像学检查。因此为了对病人进行准确的诊断,一般来说医院要采集很多项检查数据。为了管理这些数据,本文通过计算机技术来建立一个病人信息管理系统来管理这些繁杂的数据。随着机器学习算法的成熟和广泛应用,本文通过相关的算法来建立一个辅助诊断的分类模型,来帮助医生在一些数据复杂的情况下进行病情诊断,提供参考。本文首先结合调研其他研究人员实现的医学信息系统,对需要数据管理系统的不同人员进行了需求分析,根据需求分析进行系统设计和分析,完善系统的结构,并搭建开发系统的环境。然后进行阿兹海默症辅助诊断系统的编程实现工作,具体设计了数据库系统的各个表字段,完善了系统的各个功能模块,实现了用户信息管理、病人基础信息查询管理、磁共振图像查询、多条件筛查和病人数据上传的功能。并在系统开发阶段考虑了系统的安全性问题,进行了具体的解决。最后以ADNI数据库的原始数据作为训练集,设计了阿兹海默症分类算法和实现了辅助诊断模型,并且设计了三个作为对照的阿兹海默症分类器模型。先对下载到的数据进行整理,并且对原始数据进行了数据清洗,弥补了原始数据缺项以及重复等问题。通过朴素贝叶斯、多层感知机神经网络、使用高斯核函数的支持向量机,这三种方法建立了对照的分类器,并通过10折交叉验证法计算了对应的准确率。通过主成分分析对原始训练集进行了降维处理,再通过以CART决策树为基础分类器的Adaboosting算法,建立了PCA-Adaboosting阿兹海默症辅助诊断分类器。
【图文】：

第二章 数据库系统需求分析与系统设计用户能通过浏览器进行浏览和检索数据库中存储的大量阿兹海默症病人信息及相知量表数据，磁共振图像数据并能够上传和下载认知量表，，磁共振图像，以及查类器得到的数据分析分类结果。本文的工作为磁共振技术和量表测量对认知下降基础，对远程医学资料共享和远程诊断具有实用价值。具体的 B/S/S 结构示意图如

图 2-4 Python 文件编译过程2.4.2 Django 框架介绍Django 是一个开放源代码的 Web 应用框架，它基于 Python 语言写成[21]。它采用了 MVC 的框架模式，其中 M 代表模型，V 代表视图和 C 代表控制器，具体关系由图 2-5 所示。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP311.13;R749.16

【参考文献】

相关期刊论文 前10条

1 郭圣文;池敏越;岑桂英;匡翠立;牛传筱;赖春任;吴效明;The Alzheimer's Disease Neuroimaging Initiative (ADNI);;MR影像体素形态学的阿尔茨海默病自动分类方法[J];东南大学学报(自然科学版);2015年02期

2 祝国浩;;基于HIS系统疾病知识库集成的接口设计[J];中华医学图书情报杂志;2015年01期

3 吕锋;李翔;杜文霞;;基于MultiBoost的集成支持向量机分类方法及其应用[J];控制与决策;2015年01期

4 程波;钟静;熊江;;多模态集成阿尔茨海默病和轻度认知障碍分类[J];集成技术;2013年06期

5 罗万春;;阿尔茨海默病和轻度认知损伤诊断的建模分析[J];第三军医大学学报;2013年15期

6 董博;张志s

本文编号：2618259