基于集成学习的胃镜影像分析方法及移动医疗平台的设计

发布时间：2020-09-14 20:38

　　在医疗系统中,内镜检查一直以来都是医生诊断患者病情的重要手段之一。虽然内镜成像技术一直在不断发展,但对于内镜成像的准确分析以及对后续病情的快速诊断,对医生而言是极大的挑战。而胃镜作为一种常见的内镜类型,由于其影像的高相似性和病灶的隐蔽性,对检查人员识别病灶并判断病情的能力要求更高。因此,如何通过技术手段快速有效的辅助医生进行胃镜成像的影像分析与病情诊断,降低误诊及漏诊的发生概率就是一个具有相当意义的问题。同时,移动互联网近年来发展的非常迅速,智能移动终端已经越来越普及。伴随于此,移动医疗受到了医疗、电子科技以及其他相关领域越来越多的重视,发展异常迅速,诞生了大量不同功能不同应用场景的移动医疗APP,极大的满足了用户对便捷医疗的需求。基于上述考虑,本文实现了一种基于集成学习和卷积神经网络的对胃镜影像的分析方法,用以辅助医生快速的发现并确定病灶部位,提高医生的诊断病情的效率,避免经验不足的医生可能会发生的漏诊或者误诊的情况。该方法基于AdaBoost集成学习方法,利用AdaBoost将由AlexNet、GoogLeNet、VGGNet和ResNet四个卷积神经网络构成的四个子分类器通过分别设置不同的权重参数后结合为一个总分类器,在将结果累加并加权综合后得到最终的分类结果。经过实际验证以及和现有的方法的对比,发现本文的方法有效地提高了传统胃镜检查中的精度,在敏感性、特异性、漏诊率和误诊率四个关键指标上大大超越了传统的方法。此外,本文还设计了一个可以提供手术直播、远程会诊及视频会议的移动医疗服务平台——“好啦医生”医疗服务平台,前文实现的胃镜影像分析功能也会在将来集成到“好啦医生”医疗服务平台中,增强平台的功能性的同时,也可以扩大平台的应用范围。平台采用C/S架构和MVC的设计模型,从功能上可分为后台服务器端、客户端和Web管理员端三部分。而其中客户端又分为三部分,分别为公开发布的iOS、Android客户端APP和仅限授权用户使用的Android端视频推流APP。本文会较系统地阐述“好啦医生”医疗服务平台的后台服务库端以及Android端的两个APP从需求诞生到最终开发完成发布成功的整个过程。系统的设计及开发采用了包括基于xUtils框架的Android开发技术以及基于JFinal的后台Redis、MySQL数据库技术。本平台基于硬件进行深度开发,使得对硬件的适配性高,功能冗余小,功能上更加贴合用户的需求,使用者的上手难度低,操作更便捷。
【学位单位】：天津理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R573;TP391.41
【部分图文】：

系统架构

图 2-1Android 系统架构图2.1.2 Android 开发相关技术Android 开发的基础，就是要对 Android 系统的四大组件、五大存储以及六大布局有清晰而准确的认识。下面我就来对这些内容进行简要的介绍[42]。Android 系统的四大组件即为 Activity（活动）、Service（服务）、ContentProvide（内容提供器）、BroadcastReceiver（广播接收器）。打开一个 APP，绝大多数情况下我们的交互流程是：用户点击 APP 打开后显示的界面，程序这时候会在后台开启一个线程用来加载请求和加载数据，数据完成加载，APP 界面收到通知并显示相应的的数据如果这些数据要求 APP 关闭之后依旧能够保存，那么我们就需要将数据保存在本地而。整个流程可以分成四个步骤，而这四个步骤就恰好对应了上述的四大组件：前台（界面展示）所需的功能由 Activity 提供，它主要负责的就是界面的展示和用户的交互[43, 44]后台（数据加载）所需的功能由 Service 提供，它主要负责网络请求、文件读写的处理等任务，这些任务相对来说比较耗时，在后台作出处理是比较合适的，避免用户等待时

示意图,影像分析,胃镜,功能设计

第三章基于集成学习和卷积神经网络的胃镜影像分析方法研究如前文第一章及第二章所述，胃镜检查是进行胃癌早筛较为可靠的方法之一，三线城市的早期胃癌的检出率低下，漏诊、误诊等情况频发，以目前的分析手的诊断并不理想。本文在已有的研究基础上，结合医院现有的硬件基础设备，种基于集成学习和卷积神经网络的胃镜影像分析方法，从而实现在胃镜检查过医生发现检查区域病灶的同时，避免内镜医生因临床经验不足导致的误诊漏诊能会在后续的项目进行中集成到现在的“好啦医生”移动医疗服务平台中。本这种胃镜影像分析方法，下面对这种方法进行介绍。方法概述在本文中，我们利用数据融合理论对多种卷积神经网络的分类能力进行了融合一种混合数据分析方法，设计了如图 3-1 所示的分析模型。

结构图,结构图,方法,集成学习

第三章基于集成学习和卷积神经网络的胃镜影像分析方法并由此定义当前网络的分类可信度 T 记为： 10 1 √ ( 10 11010 1)2 （3.2）训练完毕的网络模型将可以在胃镜影像智能化自动分析中进行使用。每个神经网络的训练后的结果都将经过信息融合。并将融合后的结果展现为自动分析的结果。图 3-1中的 Step 3 即是描述的这个过程。3.3 集成学习和 AdaBoost 权重更新策略基于前文的分析，每个神经网络都可以得到一个训练结果，包含一组分类类别和当前组别分类的精度，而集成各个网络的训练结果将有效的提高整体表现。基于对影像分析的预实验表现情况，我们在本文选取了基于 AdaBoost 的方式合成了各个神经网络的结果，图 3-2 展示了该方法的基本结构，AdaBoost 集成的策略如下文所述。

【相似文献】