一、计算机X线摄影胸片的效果与质量控制(论文文献综述)
侯鹏飞,沈秀明,袁明远,孙九爱[1](2021)在《基于深度学习方法的胸片异物检测》文中提出为了提高胸片异物自动检测的能力,采用深度学习网络高效提取各种尺度和形状的异物影像特征,实现胸片中多种异物的自动稳定检测。在网络构建过程中,根据异物的影像特征,改进YOLO v4目标检测网络,通过在特征提取网络CSPDarkNet53中加入SE-block(Squeeze and Excitation),使模型能够区别利用各个通道的信息。实验结果表明,改进的深度学习网络在异物检测中能够实现92%的精确率和83%的召回率。因此,新的深度学习方法可用于胸片异物检测等应用场景,客观评判摄影质量,为放射影像的质量控制打下基础。
曾刘桃,陈钧强,蒋兆强,徐秀芳[2](2021)在《尘肺病影像学诊断的研究进展》文中研究表明尘肺病是我国危害严重的一类职业病。早期影像学检查是诊断和防治尘肺病的重要措施之一。数字化X线摄影(DR)、计算机断层扫描(CT)在尘肺病筛查诊断中有着重要的地位,近年来兴起的人工智能技术在尘肺病诊断中也有一定应用。本文综述了DR技术参数调试与质量控制、人工智能计算机辅助系统优化以及CT辅助尘肺病诊断等方面的最新进展,总结了3类技术的优点及目前应用中存在的问题,为尘肺病影像学诊断提供研究方向。
施海鸥,陈园园,胡世俊[3](2021)在《质量控制管理对数字化X线摄影图像质量的影响》文中研究说明目的探讨质量控制管理对数字化X线摄影图像质量的影响。方法选取2017年1月~2018年3月426例数字化X线摄影患者,未采用质量控制管理,设定为对照组;选取2018年4月~2019年7月426例数字化X线摄影患者,采用质量控制管理,设定为观察组。比较两组图像质量管理评分及X线片质量级别。结果观察组X线片质量要求、重照因素控制、与患者沟通评估均高于对照组,差异有统计学意义(P<0.05);观察组甲级片99.53%高于实施前94.13%,乙级、丙级、废片均低于对照组,差异有统计学意义(P<0.05)。结论质量控制管理应用到数字化X线摄影中,可提高图像质量,应用价值高。
付海鸿,吴文辉[4](2021)在《九峰医疗胸部数字X线摄影人工智能图像质量控制专家共识》文中研究说明引言近年来国家大力推行分级诊疗制度,实现基层首诊、双向转诊、急慢分治、上下联动,从而促进有序就医,合理控费。影像学检查作为疾病分诊、筛查和诊断评估的重要手段,是提升基层医疗机构服务能力的重要内容。在国内覆盖面最广的基层医疗机构是乡镇卫生院和社区卫生服务中心,影像工作流程一般是放射科技师完成摄影,影像通过网络传输至区域影像诊断中心,由具有资质的放射科医师进行诊断评估,诊断报告再通过网络传递至基层医疗机构交付到患者。
王平,胡博奇,安东洪,刘蓄蕾,石张镇,田中生,郝富德,刘景鑫[5](2020)在《基于深度学习的DR胸片智能质控方法研究》文中认为目的为了减轻医学影像质量控制工作给医院及相关机构带来的工作负担,弥补人工质量控制存在的多方面缺陷,本文提出一种基于深度学习的DR胸片正位和侧位摄影的质量控制方法。方法通过特定结构的卷积神经网络完成DR图像的语义分析,结合医学影像质量控制标准,自动批量完成影像质控工作。结果该方法在多个数据集中的平均准确率为98.32%,单例影像的平均质控时间为83 ms。结论该模型可以快速、准确地实现DR影像的自动智能质控。
胡路女,吴燕[6](2020)在《优化摄影参数对床旁胸部数字X线摄影质量及安全性的影响》文中认为目的探讨优化辐射剂量对床旁胸部数字化X线摄影(DR)质量及安全性的影响。方法选取2016年12月~2018年12月于本院进行床旁DR检查的120例患者作为研究对象,随机分为对照组和观察组,每组各60例。对照组选用DR常规摄影参数,观察组选用优化的摄影参数。比较两组患者的DR胸片质量及其评分,比较两组患者所受辐射剂量。结果两组患者的DR胸片质量及其评分比较,差异无统计学意义(P>0.05);观察组患者的辐射剂量为(0.136±0.017)mGy,低于对照组的(0.382±0.025)mGy,差异有统计学意义(P<0.05)。结论经过优化后的摄影参数能减少辐射剂量并对影像质量影响不大,使床旁胸部DR的安全性更高。
杨建宝[7](2019)在《X射线健康体检风险分析与控制》文中指出X射线检查技术在健康体检领域发挥着愈加重要的作用,但其检查的无痛性往往使人们忽视了射线的辐射损害。目前X射线健康体检普遍存在流程不科学、不系统,造成体检质量不高、效率低下、风险不确定等问题。在X射线健康体检中引入项目管理理论方法,突出X射线健康体检的目的性和低风险要求,既能提高X射线健康体检的质量和效率,又能够强化各类人员的协同能力,从而达到优化X射线健康体检项目、节省X射线健康体检经费、提高X射线健康体检效用、降低X射线健康体检风险的目标。本论文主要针对基于X射线健康体检工作中的项目管理开展研究,在剖析当前X射线健康体检中存在的主要问题及其成因的基础上,运用项目管理理论寻求科学、系统的工作流程和有效控制手段。本论文构建了基于X射线健康体检项目的管理模式,并以部分离退休职工进行普通X线机检查为例,对X射线健康体检项目的五个过程进行了深入研究;确定了X射线健康体检项目的组织结构、任务分工、安全管理、质量管理和进度控制等要素,从而能够达到高标准、高效率完成X射线健康体检任务的目的;在对比分析不同体检方案风险的基础上,综合经济因素和辐射剂量指标,提出最优的体检方案。最后,以某校医院新生入学计算机数字摄影体检项目为研究对象进行了实证研究,对体检结果进行了跟踪问效,并验证了本文理论成果在X射线健康体检项目中的适用性、经济性和可行性。
王继元[8](2019)在《基于深度学习的正位DR胸片质控体系研究与应用》文中研究说明随着医学诊断、治疗模式的改变,医学影像的质量评价使得医疗活动的模式也发生了巨大的转变,医学影像的好坏直接影响着医生对病情的诊断和治疗。因此,如何通过计算机实现智能影像质控对放射科技师的拍片工作会有较大的辅助作用。本课题研究可以有效提升基层医疗机构的诊疗服务质量及效率,避免重复检查和医疗资源浪费,显着改善四川省区域间医疗资源不平衡等问题。本文拟就以华西医院放射科技师的医学影像质量主观评价为基础,通过对采集到的医学影像进行标注,结合深度学习图像分割模型、分类模型和传统图像处理算法应用于医学影像质量评价的方法研究及应用予以阐述。本文主要工作如下:(1)胸部正位DR医学影像质控体系标准点制定。详细说明了标准点制定的重要性及制定依据。严格按照华西医院制定的质控标准点,并充分结合医生主观评片经验,最终得到一套满足医院要求且可行性高的质控标准体系。(2)脱敏的胸部正位DR医学影像数据收集及标注。本文根据下一步研究方法的数据需求从三甲医院和十三家乡镇医院收集各类别DR影像。随后研究并改进了Labelme标注工具的部分功能,让操作更加直观和方便,并实现了半自动标注功能,最后使用标注工具对收集好的数据进行标注。(3)对胸部正位DR医学影像核心区域进行分割。本文研究了传统图像分割算法和深度学习领域中的图像分割算法,最终采用U-net分割模型实现了正位DR胸片中肺野区域、锁骨区域和肩胛骨区域的有效分割。(4)本文首先需要判断输入质控体系的图像是正位胸片或侧位胸片,随后判断正位DR胸片中的异物类型,最后判断体外异物与肺野区域的位置关系。主要对比研究了深度学习领域中几个优秀的图像分类网络模型,最终采用Inception-V4分类模型分别实现了对以上三种情况的准确分类。(5)判断锁骨是否耸肩、体位是否偏移和肩胛骨摆放是否错误。本文研究了传统图像处理算法。通过计算区域的中心点、倾斜角度和重合面积,可以有效将抽象的医学影像问题转换为具体直观的数学问题。通过对计算出来的各项数据进行统计分析,最终可以对以上三种情况进行精确判断。(6)系统设计与实现。本文最终开发出一套智能正位DR胸片质控系统,并将该系统投入到各市、县级医院进行应用,有效验证了系统的可行性和稳定性。
连涛[9](2018)在《小儿胸部DR摄影的应用探讨》文中提出目的:研究小儿胸部数字X线摄影(DR)方法。DR)方法。方法:本次研究对象96例均为2016年1月至2017年1月本次研究对象于这期间我院进行胸部DR摄影患儿,使用计算机随机的方式分成研究组和对照组,每组患儿48例,其中对照组患儿采取常规摄影法,研究组患儿实行影像质量控制,比较两组患儿DR胸片质量。结果:对两组患儿DR胸片的一级、二级、三级以及废片进行对比,其中研究组一级片45例,二级片3例,无三级片及废片,一级片率93.8%;对照组一级片37例,二级片9例,三级片2例,一级片率77.1%;研究组患儿一级片率明显的高于对照组患儿,P<0.05具有统计学意义。结论:小儿胸部DR进行有效的影像质量控制可显着提高DR胸片一级片率,具有较好的临床应用及推广价值。
秦好朴,孙吉林,张明,徐晓[10](2018)在《婴幼儿胸部数字化X线摄影的曝光控制研究》文中研究表明目的对比手动曝光控制与自动曝光控制在婴幼儿胸部数字化X线摄影(DR)中的应用效果。方法筛选2014年6月至2015年5月于我院就诊并行胸部X线摄影患儿136例,作为研究对象。采用随机数表法将其分为手控组与自控组,每组68例,手控组采取手动曝光控制,自控组采取自动曝光控制,比较两组患儿胸部DR的影像质量,并统计两种曝光控制方法的辐射剂量及摄影成功率。结果图像质量评价结果显示手控组患儿胸部影像甲级片65例,乙级片3例,甲级片率95.59%,废片率0;自控组甲级片54例,乙级片9例,甲级片率79.41%,废片率7.35%。手控组甲级片率明显高于自控组,差异有统计学意义(P<0.05)。手控组患儿辐射剂量(6.0±0.7)Gy,平均曝光时间(2.57±0.41)ms,手控组平均曝光时间及辐射剂量明显小于自控组,差异有统计学意义(P<0.05)。结论对于婴幼儿胸部DR摄影采取手动曝光控制模式能够显着提高DR图像甲级片率,并且患儿整体辐射剂量降低,摄影成功率较高,废片率较低,具有临床应用及推广价值。
二、计算机X线摄影胸片的效果与质量控制(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机X线摄影胸片的效果与质量控制(论文提纲范文)
(1)基于深度学习方法的胸片异物检测(论文提纲范文)
前言 |
1 基于YOLO v4的异物检测 |
1.1 YOLO v4网络 |
1.2 FOXNet网络结构 |
2 实验及结果分析 |
2.1 实验环境 |
2.2 数据及预处理 |
2.3 评价标准 |
2.4 实验方法和结果 |
3 讨论 |
4 结论 |
(2)尘肺病影像学诊断的研究进展(论文提纲范文)
1 DR技术的质量控制 |
2 人工智能在尘肺病辅助诊断中的应用 |
3 提高CT辅助诊断的价值 |
4 结论与展望 |
(3)质量控制管理对数字化X线摄影图像质量的影响(论文提纲范文)
1 资料与方法 |
1.1 一般资料 |
1.2 方法 |
1.3 观察指标 |
1.4 统计学方法 |
2 结果 |
2.1 图像质量管理评分比较 |
2.2 X线片质量评价 |
3 讨论 |
(4)九峰医疗胸部数字X线摄影人工智能图像质量控制专家共识(论文提纲范文)
引言 |
1 目的 |
2 适用范围 |
3 编制依据 |
4 术语和定义 |
5 常见的基层DR胸片图像质控问题定义 |
6 影响DR胸片影像质量的因素 |
7 DR胸片后前位摄影规范 |
8 影像评价标准 |
9 设计原则 |
1 0 系统的功能实现 |
1 0.1 九峰AI质控算法所解决的临床问题 |
1 0.2 基于九峰AI质控算法的功能结果 |
1 1 本共识指导的下一步系统优化建议 |
(5)基于深度学习的DR胸片智能质控方法研究(论文提纲范文)
引言 |
1 研究方法 |
1.1 医学业务规则 |
1.2 语义分析 |
2 技术方案 |
2.1 医疗影像语义信息提取 |
2.2 基于深度学习的质控方法框架 |
3 深度学习质控模型结构与工作原理 |
3.1 DR正位胸片常规摄片质控模型 |
3.2 DR侧位胸片常规摄片质控模型 |
4 实验及结果 |
4.1 数据与模型 |
4.2 结果统计与分析 |
4.3 人工质控 |
5结论 |
(6)优化摄影参数对床旁胸部数字X线摄影质量及安全性的影响(论文提纲范文)
1 资料与方法 |
1.1 一般资料 |
1.2 仪器 |
1.3 摄影方法和辐射剂量测定 |
1.4 观察指标及评价标准 |
1.5 统计学方法 |
2 结果 |
2.1 两组患者DR胸片质量的比较 |
2.2 两组患者DR胸片质量评分及辐射剂量的比较 |
3 讨论 |
(7)X射线健康体检风险分析与控制(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 国外相关领域研究现状 |
1.2.2 国内相关领域研究现状 |
1.2.3 文献评述 |
1.3 论文的主要框架及内容 |
1.3.1 主要框架 |
1.3.2 主要内容 |
第二章 基于X射线健康体检项目管理的主要构想 |
2.1 X射线健康体检的概况 |
2.1.1 X射线健康体检的定义 |
2.1.2 各类X射线检查在体检中的作用 |
2.1.3 X射线健康体检的特性 |
2.2 X射线健康体检项目管理的构想 |
2.2.1 X射线健康体检的目标和影响因素 |
2.2.2 X射线健康体检的改进措施 |
2.2.3 X射线健康体检项目确定 |
2.3 本章小结 |
第三章 X射线健康体检项目管理过程设计 |
3.1 X射线健康体检项目开始过程 |
3.1.1 X射线健康体检项目组织结构 |
3.1.2 X射线健康体检项目任务分工 |
3.2 X射线健康体检项目计划过程 |
3.2.1 X射线健康体检项目工作分解结构 |
3.2.2 X射线健康体检项目各类计划制定 |
3.3 X射线健康体检项目结束过程 |
3.3.1 X射线健康体检项目验收 |
3.3.2 X射线健康体检项目完成情况评估 |
3.3.3 项目成果跟踪分析 |
3.4 本章小结 |
第四章 X射线健康体检方案风险分析与优化 |
4.1 X射线透视机风险分析 |
4.1.1 X射线透视机概况 |
4.1.2 X射线透视流程 |
4.1.3 风险分析及解决方案 |
4.2 普通X射线机检查(屏胶系统)风险分析 |
4.2.1 普通X射线照片机(屏胶系统)概况 |
4.2.2 普通X射线机体检流程 |
4.2.3 风险分析及解决方案 |
4.3 计算机X射线摄影(CR)风险分析 |
4.3.1 计算机X射线摄影概况 |
4.3.2 计算机X射线摄影体检流程 |
4.3.3 风险分析及解决方案 |
4.4 计算机数字X线成像系统风险分析 |
4.4.1 计算机数字X射线成像系统(DR)概况 |
4.4.2 计算机数字X射线成像系统(DR)体检流程 |
4.4.3 风险分析及解决方案 |
4.5 计算机体层摄影(CT)风险分析 |
4.5.1 计算机体层摄影(CT)概况 |
4.5.2 计算机体层摄影(CT)体检流程 |
4.5.3 风险分析及应对方案 |
4.6 其它体检方案分析 |
4.6.1 钼靶 |
4.6.2 数字胃肠机 |
4.6.3 数字减影血管造影 |
4.7 体检方案的优化 |
4.7.1 综合分析各主要体检方案的特点 |
4.7.2 研究比较 |
4.7.3 体检组合方案设计 |
4.7.4 最优体检方案推荐 |
4.8 本章小结 |
第五章 实证研究 |
5.1 DR健康体检项目概况 |
5.2 DR健康体检项目实施 |
5.2.1 DR健康体检项目开始过程 |
5.2.2 DR健康体检项目计划过程 |
5.2.3 DR健康体检项目执行过程 |
5.2.4 DR体检项目控制过程 |
5.2.5 某校体检中心DR体检项目结束过程 |
5.3 DR体检项目成果的跟踪与分析 |
5.3.1 DR体检项项目评估 |
5.3.2 DR体检项目跟踪问效 |
5.4 本章小结 |
结束语 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(8)基于深度学习的正位DR胸片质控体系研究与应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 医学影像质控标准研究现状 |
1.2.2 深度学习领域的图像分割与分类模型研究现状 |
1.3 本文主要研究内容 |
1.4 本文结构安排 |
第二章 质控体系标准制定与数据集准备 |
2.1 质控体系标准制定 |
2.1.1 胸部正位DR医学影像结构 |
2.1.2 质控标准关键概念 |
2.1.3 本课题质控标准架构 |
2.2 数据集准备 |
2.2.1 数据收集 |
2.2.2 数据标注 |
2.3 本章小结 |
第三章 正位DR胸片主要区域分割算法研究 |
3.1 医学影像分割概述 |
3.2 基于形态学的OSTU阈值分割算法 |
3.2.1 阈值分割原理 |
3.2.2 OSTU算法 |
3.2.3 数学形态学原理 |
3.3 基于边缘检测的分割算法 |
3.4 基于U-net模型的DR胸片分割算法 |
3.4.1 深度学习概述 |
3.4.2 FCN网络分割原理 |
3.4.3 U-net网络分割原理 |
3.4.4 基于U-net网络模型的正位DR胸片分割 |
3.5 本章小结 |
第四章 DR胸片多分类算法研究 |
4.1 深度学习图像分类概述 |
4.2 卷积神经网络原理 |
4.3 主流深度学习分类模型 |
4.3.1 AlexNet网络 |
4.3.2 VGG网络 |
4.3.3 ResNet残差网络 |
4.3.4 Inception网络系列 |
4.4 基于Inception-V4 模型的DR胸片多分类实现 |
4.4.1 分类网络模型选择 |
4.4.2 分类模型主要研究点测试结果及分析 |
4.5 本章小结 |
第五章 系统设计与实现 |
5.1 概述 |
5.2 系统架构设计及界面设计 |
5.2.1 系统结构设计 |
5.2.2 系统模块设计 |
5.2.3 系统界面设计 |
5.3 系统的详细开发实现 |
5.3.1 医学影像质控标准制定模块 |
5.3.2 医学影像数据收集与标注模块 |
5.3.3 正位DR胸片分割模块 |
5.3.4 DR胸片多分类模块 |
5.3.5 正位DR胸片传统图像处理模块 |
5.3.6 系统可视化交互模块 |
5.4 质控评片系统测试 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
附件1:医学影像数据脱敏审查批件 |
(9)小儿胸部DR摄影的应用探讨(论文提纲范文)
1 资料与方法 |
1.1 临床资料 |
1.2 摄影方法 |
2 结果 |
3 讨论 |
(10)婴幼儿胸部数字化X线摄影的曝光控制研究(论文提纲范文)
1 资料与方法 |
1.1 一般资料: |
1.2 方法: |
1.3 评价标准[4]: |
1.4 统计学方法: |
2 结果 |
2.1 手控与自控图像质量对比: |
2.2 手控组与自控组辐射剂量及曝光参数比较: |
3 讨论 |
四、计算机X线摄影胸片的效果与质量控制(论文参考文献)
- [1]基于深度学习方法的胸片异物检测[J]. 侯鹏飞,沈秀明,袁明远,孙九爱. 中国医学物理学杂志, 2021(12)
- [2]尘肺病影像学诊断的研究进展[J]. 曾刘桃,陈钧强,蒋兆强,徐秀芳. 预防医学, 2021
- [3]质量控制管理对数字化X线摄影图像质量的影响[J]. 施海鸥,陈园园,胡世俊. 沈阳药科大学学报, 2021(S1)
- [4]九峰医疗胸部数字X线摄影人工智能图像质量控制专家共识[J]. 付海鸿,吴文辉. 中国医疗设备, 2021(01)
- [5]基于深度学习的DR胸片智能质控方法研究[J]. 王平,胡博奇,安东洪,刘蓄蕾,石张镇,田中生,郝富德,刘景鑫. 中国医疗设备, 2020(10)
- [6]优化摄影参数对床旁胸部数字X线摄影质量及安全性的影响[J]. 胡路女,吴燕. 中国当代医药, 2020(03)
- [7]X射线健康体检风险分析与控制[D]. 杨建宝. 国防科技大学, 2019(02)
- [8]基于深度学习的正位DR胸片质控体系研究与应用[D]. 王继元. 电子科技大学, 2019(01)
- [9]小儿胸部DR摄影的应用探讨[J]. 连涛. 影像研究与医学应用, 2018(17)
- [10]婴幼儿胸部数字化X线摄影的曝光控制研究[J]. 秦好朴,孙吉林,张明,徐晓. 四川医学, 2018(07)