在醫(yī)療系統(tǒng)中,內(nèi)鏡檢查一直以來(lái)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(duì)于內(nèi)鏡成像的準(zhǔn)確分析以及對(duì)后續(xù)病情的快速診斷,對(duì)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(duì)檢查人員識(shí)別病灶并判斷病情的能力要求更高。因此,如何通過(guò)技術(shù)手段快速有效的輔助醫(yī)生進(jìn)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(gè)具有相當(dāng)意義的問(wèn)題。同時(shí),移動(dòng)互聯(lián)網(wǎng)近年來(lái)發(fā)展的非常迅速,智能移動(dòng)終端已經(jīng)越來(lái)越普及。伴隨于此,移動(dòng)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(lái)越多的重視,發(fā)展異常迅速,誕生了大量不同功能不同應(yīng)用場(chǎng)景的移動(dòng)醫(yī)療APP,極大的滿足了用戶對(duì)便捷醫(yī)療的需求�；谏鲜隹紤],本文實(shí)現(xiàn)了一種基于集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的對(duì)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(yàn)不足的醫(yī)生可能會(huì)發(fā)生的漏診或者誤診的情況。該方法基于AdaBoost集成學(xué)習(xí)方法,利用AdaBoost將由AlexNet、GoogLeNet、VGGNet和ResNet四個(gè)卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的四個(gè)子分類器通過(guò)分別設(shè)置不同的權(quán)重參數(shù)后結(jié)合為一個(gè)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(guò)實(shí)際驗(yàn)證以及和現(xiàn)有的方法的對(duì)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(gè)關(guān)鍵指標(biāo)上大大超越了傳統(tǒng)的方法。此外,本文還設(shè)計(jì)了一個(gè)可以提供手術(shù)直播、遠(yuǎn)程會(huì)診及視頻會(huì)議的移動(dòng)醫(yī)療服務(wù)平臺(tái)——“好啦醫(yī)生”醫(yī)療服務(wù)平臺(tái),前文實(shí)現(xiàn)的胃鏡影像分析功能也會(huì)在將來(lái)集成到“好啦醫(yī)生”醫(yī)療服務(wù)平臺(tái)中,增強(qiáng)平臺(tái)的功能性的同時(shí),也可以擴(kuò)大平臺(tái)的應(yīng)用范圍。平臺(tái)采用C/S架構(gòu)和MVC的設(shè)計(jì)模型,從功能上可分為后臺(tái)服務(wù)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(huì)較系統(tǒng)地闡述“好啦醫(yī)生”醫(yī)療服務(wù)平臺(tái)的后臺(tái)服務(wù)庫(kù)端以及Android端的兩個(gè)APP從需求誕生到最終開發(fā)完成發(fā)布成功的整個(gè)過(guò)程。系統(tǒng)的設(shè)計(jì)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(tái)Redis、MySQL數(shù)據(jù)庫(kù)技術(shù)。本平臺(tái)基于硬件進(jìn)行深度開發(fā),使得對(duì)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(xué)位單位】：天津理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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(duì) Android 系統(tǒng)的四大組件、五大存儲(chǔ)以及六大布局有清晰而準(zhǔn)確的認(rèn)識(shí)。下面我就來(lái)對(duì)這些內(nèi)容進(jìn)行簡(jiǎn)要的介紹[42]。Android 系統(tǒng)的四大組件即為 Activity（活動(dòng)）、Service（服務(wù)）、ContentProvide（內(nèi)容提供器）、BroadcastReceiver（廣播接收器）。打開一個(gè) APP，絕大多數(shù)情況下我們的交互流程是：用戶點(diǎn)擊 APP 打開后顯示的界面，程序這時(shí)候會(huì)在后臺(tái)開啟一個(gè)線程用來(lái)加載請(qǐng)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(yīng)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(gè)流程可以分成四個(gè)步驟，而這四個(gè)步驟就恰好對(duì)應(yīng)了上述的四大組件：前臺(tái)（界面展示）所需的功能由 Activity 提供，它主要負(fù)責(zé)的就是界面的展示和用戶的交互[43, 44]后臺(tái)（數(shù)據(jù)加載）所需的功能由 Service 提供，它主要負(fù)責(zé)網(wǎng)絡(luò)請(qǐng)求、文件讀寫的處理等任務(wù)，這些任務(wù)相對(duì)來(lái)說(shuō)比較耗時(shí)，在后臺(tái)作出處理是比較合適的，避免用戶等待時(shí)

第三章 基于集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)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(jìn)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(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的胃鏡影像分析方法，從而實(shí)現(xiàn)在胃鏡檢查過(guò)醫(yī)生發(fā)現(xiàn)檢查區(qū)域病灶的同時(shí)，避免內(nèi)鏡醫(yī)生因臨床經(jīng)驗(yàn)不足導(dǎo)致的誤診漏診能會(huì)在后續(xù)的項(xiàng)目進(jìn)行中集成到現(xiàn)在的“好啦醫(yī)生”移動(dòng)醫(yī)療服務(wù)平臺(tái)中。本這種胃鏡影像分析方法，下面對(duì)這種方法進(jìn)行介紹。 方法概述在本文中，我們利用數(shù)據(jù)融合理論對(duì)多種卷積神經(jīng)網(wǎng)絡(luò)的分類能力進(jìn)行了融合一種混合數(shù)據(jù)分析方法，設(shè)計(jì)了如圖 3-1 所示的分析模型。

第三章 基于集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的胃鏡影像分析方法并由此定義當(dāng)前網(wǎng)絡(luò)的分類可信度 T 記為： 10 1 √ ( 10 11010 1)2 （3.2）訓(xùn)練完畢的網(wǎng)絡(luò)模型將可以在胃鏡影像智能化自動(dòng)分析中進(jìn)行使用。每個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后的結(jié)果都將經(jīng)過(guò)信息融合。并將融合后的結(jié)果展現(xiàn)為自動(dòng)分析的結(jié)果。圖 3-1中的 Step 3 即是描述的這個(gè)過(guò)程。3.3 集成學(xué)習(xí)和 AdaBoost 權(quán)重更新策略基于前文的分析，每個(gè)神經(jīng)網(wǎng)絡(luò)都可以得到一個(gè)訓(xùn)練結(jié)果，包含一組分類類別和當(dāng)前組別分類的精度，而集成各個(gè)網(wǎng)絡(luò)的訓(xùn)練結(jié)果將有效的提高整體表現(xiàn)�；趯�(duì)影像分析的預(yù)實(shí)驗(yàn)表現(xiàn)情況，我們?cè)诒疚倪x取了基于 AdaBoost 的方式合成了各個(gè)神經(jīng)網(wǎng)絡(luò)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(xiàn)】

相關(guān)期刊論文 前10條

1 徐繼偉;楊云;;集成學(xué)習(xí)方法:研究綜述[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年06期

2 武玉英;嚴(yán)勇;蔣國(guó)瑞;;基于動(dòng)態(tài)選擇性集成學(xué)習(xí)的供應(yīng)鏈產(chǎn)銷協(xié)商優(yōu)化策略[J];計(jì)算機(jī)工程;2017年05期

3 張滄生;崔麗娟;楊剛;倪志宏;;集成學(xué)習(xí)算法的比較研究[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年05期

4 郭福亮;周鋼;;集成學(xué)習(xí)中預(yù)測(cè)精度的影響因素分析[J];兵工自動(dòng)化;2019年01期

5 曾一平;;基于集成學(xué)習(xí)的小麥識(shí)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(xué)習(xí)在文本分類問(wèn)題中的應(yīng)用[J];中國(guó)新通信;2018年09期

7 李曄;劉勝利;張兆林;;基于漂移檢測(cè)和集成學(xué)習(xí)的木馬檢測(cè)模型[J];信息工程大學(xué)學(xué)報(bào);2017年06期

8 徐桂云;陳躍;張曉光;劉云楷;;基于選擇性集成學(xué)習(xí)的焊接缺陷識(shí)別研究[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2011年06期

9 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2011年08期

10 饒峰;;核機(jī)器集成學(xué)習(xí)算法的誤差分析[J];重慶文理學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年04期

相關(guān)會(huì)議論文 前10條

1 關(guān)鵬洲;王夢(mèng)毫;李倩;;基于集成學(xué)習(xí)和深度學(xué)習(xí)的短期降雨預(yù)測(cè)模型[A];2017年（第五屆）全國(guó)大學(xué)生統(tǒng)計(jì)建模大賽獲獎(jiǎng)?wù)撐倪x[C];2017年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學(xué)習(xí)[A];2011'中國(guó)西部聲學(xué)學(xué)術(shù)交流會(huì)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(yù)報(bào)方法[A];中國(guó)系統(tǒng)工程學(xué)會(huì)第十八屆學(xué)術(shù)年會(huì)論文集——A12系統(tǒng)科學(xué)與系統(tǒng)工程理論在各個(gè)領(lǐng)域中的應(yīng)用研究[C];2014年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機(jī)集成的故障診斷[A];第16屆中國(guó)過(guò)程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

5 吳龍飛;孫浩;計(jì)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(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議會(huì)刊[C];2014年

6 邱誠(chéng);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(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

7 張紅梅;;基于粗糙集特征約簡(jiǎn)的SVM集成入侵檢測(cè)模型[A];2009中國(guó)控制與決策會(huì)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(jī)集成差異性的學(xué)習(xí)方法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

9 劉錕;邢延;蔡延光;;一種針對(duì)交互式學(xué)習(xí)系統(tǒng)日志數(shù)據(jù)的輕型化挖掘方法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 劉伍穎;王挺;;一種多過(guò)濾器集成學(xué)習(xí)垃圾郵件過(guò)濾方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)記者 張曄;人腦比電腦更重要[N];科技日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 李艷秋;基于集成學(xué)習(xí)的人臉識(shí)別研究[D];合肥工業(yè)大學(xué);2018年

2 趙鶴;面向高維大數(shù)據(jù)的子空間集成學(xué)習(xí)方法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)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(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

4 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

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

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

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

8 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

9 鈕冰;基于集成學(xué)習(xí)算法的若干生物信息學(xué)問(wèn)題研究[D];上海大學(xué);2009年

10 程麗麗;支持向量機(jī)集成學(xué)習(xí)算法研究[D];哈爾濱工程大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 朱俊;選擇性集成學(xué)習(xí)及其應(yīng)用研究[D];華東交通大學(xué);2016年

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

3 雍振煌;基于評(píng)論極性與集成學(xué)習(xí)的微博謠言檢測(cè)研究[D];武漢理工大學(xué);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(xué);2018年

5 常建芳;基于集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的太陽(yáng)能輻照度預(yù)測(cè)方法[D];天津大學(xué);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(yù)測(cè)[D];安徽大學(xué);2019年

7 陳檢;小波變換—集成學(xué)習(xí)算法的組合預(yù)測(cè)模型應(yīng)用研究[D];山東財(cái)經(jīng)大學(xué);2019年

8 位云朋;基于多模態(tài)進(jìn)化計(jì)算的集成學(xué)習(xí)器研究與應(yīng)用[D];鄭州大學(xué);2019年

9 李輝華;基于集成學(xué)習(xí)的出租車預(yù)計(jì)到達(dá)時(shí)間預(yù)測(cè)[D];廈門大學(xué);2018年

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

本文編號(hào)：2818620