在醫(yī)療系統(tǒng)中,內(nèi)鏡檢查一直以來都是醫(yī)生診斷患者病情的重要手段之一。雖然內(nèi)鏡成像技術(shù)一直在不斷發(fā)展,但對于內(nèi)鏡成像的準確分析以及對后續(xù)病情的快速診斷,對醫(yī)生而言是極大的挑戰(zhàn)。而胃鏡作為一種常見的內(nèi)鏡類型,由于其影像的高相似性和病灶的隱蔽性,對檢查人員識別病灶并判斷病情的能力要求更高。因此,如何通過技術(shù)手段快速有效的輔助醫(yī)生進行胃鏡成像的影像分析與病情診斷,降低誤診及漏診的發(fā)生概率就是一個具有相當意義的問題。同時,移動互聯(lián)網(wǎng)近年來發(fā)展的非常迅速,智能移動終端已經(jīng)越來越普及。伴隨于此,移動醫(yī)療受到了醫(yī)療、電子科技以及其他相關(guān)領(lǐng)域越來越多的重視,發(fā)展異常迅速,誕生了大量不同功能不同應用場景的移動醫(yī)療APP,極大的滿足了用戶對便捷醫(yī)療的需求�；谏鲜隹紤],本文實現(xiàn)了一種基于集成學習和卷積神經(jīng)網(wǎng)絡的對胃鏡影像的分析方法,用以輔助醫(yī)生快速的發(fā)現(xiàn)并確定病灶部位,提高醫(yī)生的診斷病情的效率,避免經(jīng)驗不足的醫(yī)生可能會發(fā)生的漏診或者誤診的情況。該方法基于AdaBoost集成學習方法,利用AdaBoost將由AlexNet、GoogLeNet、VGGNet和ResNet四個卷積神經(jīng)網(wǎng)絡構(gòu)成的四個子分類器通過分別設(shè)置不同的權(quán)重參數(shù)后結(jié)合為一個總分類器,在將結(jié)果累加并加權(quán)綜合后得到最終的分類結(jié)果。經(jīng)過實際驗證以及和現(xiàn)有的方法的對比,發(fā)現(xiàn)本文的方法有效地提高了傳統(tǒng)胃鏡檢查中的精度,在敏感性、特異性、漏診率和誤診率四個關(guān)鍵指標上大大超越了傳統(tǒng)的方法。此外,本文還設(shè)計了一個可以提供手術(shù)直播、遠程會診及視頻會議的移動醫(yī)療服務平臺——“好啦醫(yī)生”醫(yī)療服務平臺,前文實現(xiàn)的胃鏡影像分析功能也會在將來集成到“好啦醫(yī)生”醫(yī)療服務平臺中,增強平臺的功能性的同時,也可以擴大平臺的應用范圍。平臺采用C/S架構(gòu)和MVC的設(shè)計模型,從功能上可分為后臺服務器端、客戶端和Web管理員端三部分。而其中客戶端又分為三部分,分別為公開發(fā)布的iOS、Android客戶端APP和僅限授權(quán)用戶使用的Android端視頻推流APP。本文會較系統(tǒng)地闡述“好啦醫(yī)生”醫(yī)療服務平臺的后臺服務庫端以及Android端的兩個APP從需求誕生到最終開發(fā)完成發(fā)布成功的整個過程。系統(tǒng)的設(shè)計及開發(fā)采用了包括基于xUtils框架的Android開發(fā)技術(shù)以及基于JFinal的后臺Redis、MySQL數(shù)據(jù)庫技術(shù)。本平臺基于硬件進行深度開發(fā),使得對硬件的適配性高,功能冗余小,功能上更加貼合用戶的需求,使用者的上手難度低,操作更便捷。
【學位單位】：天津理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R573;TP391.41
【部分圖文】：

圖 2-1Android 系統(tǒng)架構(gòu)圖2.1.2 Android 開發(fā)相關(guān)技術(shù)Android 開發(fā)的基礎(chǔ)，就是要對 Android 系統(tǒng)的四大組件、五大存儲以及六大布局有清晰而準確的認識。下面我就來對這些內(nèi)容進行簡要的介紹[42]。Android 系統(tǒng)的四大組件即為 Activity（活動）、Service（服務）、ContentProvide（內(nèi)容提供器）、BroadcastReceiver（廣播接收器）。打開一個 APP，絕大多數(shù)情況下我們的交互流程是：用戶點擊 APP 打開后顯示的界面，程序這時候會在后臺開啟一個線程用來加載請求和加載數(shù)據(jù)，數(shù)據(jù)完成加載，APP 界面收到通知并顯示相應的的數(shù)據(jù)如果這些數(shù)據(jù)要求 APP 關(guān)閉之后依舊能夠保存，那么我們就需要將數(shù)據(jù)保存在本地而。整個流程可以分成四個步驟，而這四個步驟就恰好對應了上述的四大組件：前臺（界面展示）所需的功能由 Activity 提供，它主要負責的就是界面的展示和用戶的交互[43, 44]后臺（數(shù)據(jù)加載）所需的功能由 Service 提供，它主要負責網(wǎng)絡請求、文件讀寫的處理等任務，這些任務相對來說比較耗時，在后臺作出處理是比較合適的，避免用戶等待時

第三章 基于集成學習和卷積神經(jīng)網(wǎng)絡的胃鏡影像分析方法研究如前文第一章及第二章所述，胃鏡檢查是進行胃癌早篩較為可靠的方法之一，三線城市的早期胃癌的檢出率低下，漏診、誤診等情況頻發(fā)，以目前的分析手的診斷并不理想。本文在已有的研究基礎(chǔ)上，結(jié)合醫(yī)院現(xiàn)有的硬件基礎(chǔ)設(shè)備，種基于集成學習和卷積神經(jīng)網(wǎng)絡的胃鏡影像分析方法，從而實現(xiàn)在胃鏡檢查過醫(yī)生發(fā)現(xiàn)檢查區(qū)域病灶的同時，避免內(nèi)鏡醫(yī)生因臨床經(jīng)驗不足導致的誤診漏診能會在后續(xù)的項目進行中集成到現(xiàn)在的“好啦醫(yī)生”移動醫(yī)療服務平臺中。本這種胃鏡影像分析方法，下面對這種方法進行介紹。 方法概述在本文中，我們利用數(shù)據(jù)融合理論對多種卷積神經(jīng)網(wǎng)絡的分類能力進行了融合一種混合數(shù)據(jù)分析方法，設(shè)計了如圖 3-1 所示的分析模型。

第三章 基于集成學習和卷積神經(jīng)網(wǎng)絡的胃鏡影像分析方法并由此定義當前網(wǎng)絡的分類可信度 T 記為： 10 1 √ ( 10 11010 1)2 （3.2）訓練完畢的網(wǎng)絡模型將可以在胃鏡影像智能化自動分析中進行使用。每個神經(jīng)網(wǎng)絡的訓練后的結(jié)果都將經(jīng)過信息融合。并將融合后的結(jié)果展現(xiàn)為自動分析的結(jié)果。圖 3-1中的 Step 3 即是描述的這個過程。3.3 集成學習和 AdaBoost 權(quán)重更新策略基于前文的分析，每個神經(jīng)網(wǎng)絡都可以得到一個訓練結(jié)果，包含一組分類類別和當前組別分類的精度，而集成各個網(wǎng)絡的訓練結(jié)果將有效的提高整體表現(xiàn)�；趯τ跋穹治龅念A實驗表現(xiàn)情況，我們在本文選取了基于 AdaBoost 的方式合成了各個神經(jīng)網(wǎng)絡的結(jié)果，圖 3-2 展示了該方法的基本結(jié)構(gòu)，AdaBoost 集成的策略如下文所述。

【相似文獻】

相關(guān)期刊論文 前10條

1 徐繼偉;楊云;;集成學習方法:研究綜述[J];云南大學學報(自然科學版);2018年06期

2 武玉英;嚴勇;蔣國瑞;;基于動態(tài)選擇性集成學習的供應鏈產(chǎn)銷協(xié)商優(yōu)化策略[J];計算機工程;2017年05期

3 張滄生;崔麗娟;楊剛;倪志宏;;集成學習算法的比較研究[J];河北大學學報(自然科學版);2007年05期

4 郭福亮;周鋼;;集成學習中預測精度的影響因素分析[J];兵工自動化;2019年01期

5 曾一平;;基于集成學習的小麥識別研究[J];現(xiàn)代商貿(mào)工業(yè);2019年17期

6 米碩;孫瑞彬;李欣;明曉;;集成學習在文本分類問題中的應用[J];中國新通信;2018年09期

7 李曄;劉勝利;張兆林;;基于漂移檢測和集成學習的木馬檢測模型[J];信息工程大學學報;2017年06期

8 徐桂云;陳躍;張曉光;劉云楷;;基于選擇性集成學習的焊接缺陷識別研究[J];中國礦業(yè)大學學報;2011年06期

9 張春霞;張講社;;選擇性集成學習算法綜述[J];計算機學報;2011年08期

10 饒峰;;核機器集成學習算法的誤差分析[J];重慶文理學院學報(自然科學版);2010年04期

相關(guān)會議論文 前10條

1 關(guān)鵬洲;王夢毫;李倩;;基于集成學習和深度學習的短期降雨預測模型[A];2017年（第五屆）全國大學生統(tǒng)計建模大賽獲獎論文選[C];2017年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學習[A];2011'中國西部聲學學術(shù)交流會論文集[C];2011年

3 倪志偉;張琛;倪麗萍;;基于螢火蟲群優(yōu)化算法的選擇性集成霾天氣預報方法[A];中國系統(tǒng)工程學會第十八屆學術(shù)年會論文集——A12系統(tǒng)科學與系統(tǒng)工程理論在各個領(lǐng)域中的應用研究[C];2014年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機集成的故障診斷[A];第16屆中國過程控制學術(shù)年會暨第4屆全國故障診斷與安全性學術(shù)會議論文集[C];2005年

5 吳龍飛;孫浩;計科峰;;基于集成映射的半監(jiān)督圖像分類方法[A];第八屆全國信號和智能信息處理與應用學術(shù)會議會刊[C];2014年

6 邱誠;倪子偉;陳珂;蘇旋;鄒權(quán);;基于聚類方法的基分類器選擇策略研究[A];第29屆中國數(shù)據(jù)庫學術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

7 張紅梅;;基于粗糙集特征約簡的SVM集成入侵檢測模型[A];2009中國控制與決策會議論文集（3）[C];2009年

8 程麗麗;張健沛;楊靜;馬駿;;一種提高支持向量機集成差異性的學習方法[A];第二十五屆中國數(shù)據(jù)庫學術(shù)會議論文集（一）[C];2008年

9 劉錕;邢延;蔡延光;;一種針對交互式學習系統(tǒng)日志數(shù)據(jù)的輕型化挖掘方法[A];2011年中國智能自動化學術(shù)會議論文集（第一分冊）[C];2011年

10 劉伍穎;王挺;;一種多過濾器集成學習垃圾郵件過濾方法[A];第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集[C];2007年

相關(guān)重要報紙文章 前1條

1 本報記者 張曄;人腦比電腦更重要[N];科技日報;2008年

相關(guān)博士學位論文 前10條

1 李艷秋;基于集成學習的人臉識別研究[D];合肥工業(yè)大學;2018年

2 趙鶴;面向高維大數(shù)據(jù)的子空間集成學習方法研究[D];中國科學院大學(中國科學院深圳先進技術(shù)研究院);2017年

3 劉天羽;基于特征選擇技術(shù)的集成學習方法及其應用研究[D];上海大學;2007年

4 侯勇;特征提取與集成學習算法的研究及應用[D];北京科技大學;2015年

5 孫永宣;集成學習下的圖像分析關(guān)鍵問題研究[D];合肥工業(yè)大學;2013年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學習研究[D];武漢大學;2012年

7 阿里木·賽買提(Alim.Samat);基于集成學習的全極化SAR圖像分類研究[D];南京大學;2015年

8 劉沖;模擬電路故障診斷AdaBoost集成學習方法研究[D];大連海事大學;2011年

9 鈕冰;基于集成學習算法的若干生物信息學問題研究[D];上海大學;2009年

10 程麗麗;支持向量機集成學習算法研究[D];哈爾濱工程大學;2009年

相關(guān)碩士學位論文 前10條

1 朱俊;選擇性集成學習及其應用研究[D];華東交通大學;2016年

2 鄭麗容;基于聚類和動態(tài)更新的啟發(fā)式選擇性集成學習算法[D];廈門大學;2017年

3 雍振煌;基于評論極性與集成學習的微博謠言檢測研究[D];武漢理工大學;2018年

4 王宏杰;基于聚類集成的半監(jiān)督分類算法研究[D];西南石油大學;2018年

5 常建芳;基于集成學習和卷積神經(jīng)網(wǎng)絡的太陽能輻照度預測方法[D];天津大學;2018年

6 邸研哲;基于相似性方法的藥物—疾病相互作用關(guān)系預測[D];安徽大學;2019年

7 陳檢;小波變換—集成學習算法的組合預測模型應用研究[D];山東財經(jīng)大學;2019年

8 位云朋;基于多模態(tài)進化計算的集成學習器研究與應用[D];鄭州大學;2019年

9 李輝華;基于集成學習的出租車預計到達時間預測[D];廈門大學;2018年

10 葉明;基于集成學習的疾病輔助診斷關(guān)鍵技術(shù)研究與實現(xiàn)[D];鄭州大學;2019年

本文編號：2818620