云平台上基于海量医学图像并行数据挖掘的计算机辅助诊断技术研究

In this project , we address the problems about the techniques of mining massive medical images over cloud computing platform..The goal of our research is to study how to utilize the parallel computation capacity of cloud to solve the computer aided diagnosis problem in massive medical images contexts..We will focus on following issues: (1) The cloud based technique for reducing the false-negative error of parallel data mining method; (2) The parallel data mining techniques of using the medical images of different stage of patient for computer aided diagnosis; (3) The imbalance data based parallel data mining techniques.

本项目主要是对云计算平台上海量医学图像数据的管理和挖掘技术进行研究。.研究目标是：利用云计算平台强大的并行处理能力，进行并行数据挖掘技术研究，致力于解决基于大规模医学图像的高准确率的辅助诊断分析问题。.主要研究内容是：（1）基于云计算的可降低false-negative误诊率的并行数据挖掘算法；（2）基于同一就诊者多个时期的不同医学图像来进行辅助病变分析的并行数据挖掘技术；（3）基于类别分布不平衡的数据集的医学图像并行挖掘算法。

随着医学影像（本文中有时也称作医学图像）技术和设备的不断发展进步，CT、MRI 等医学影像的使用也越来越多。目前，医学影像数据已经成为医院数据量的最大来源，它通常能够占到一家综合性医院的 80%以上的数据量，它们已经成为医生临床诊断中最为重要的决策依据之一。..本项目对云计算平台上基于海量医学图像并行数据挖掘的计算机辅助诊断关键技术进行探索，重点研究如何利用云计算平台上的海量数据和强大的并行处理能力，设计新的医学图像挖掘算法，使得辅助诊断技术更加准确和智能化。这也是基于医学图像的计算机辅助诊断技术未来发展的方向，因而本课题的研究具有较好的学术研究价值和实际应用价值。 . .本项目的主要研究内容是：基于医学图像的类别分布不均衡的脑部疾病辅助诊断系统；基于脑部MRI图像并行挖掘的辅助诊断系统；基于类别不平衡学习技术的AD医学图像挖掘。在上述领域，团队研发了一个基于类别分布不均衡的脑部医学图像辅助诊断系统CIBMICAD，提出了代价敏感概率神经网络CS-PNN；实现了一套基于脑部MRI图像并行挖掘的辅助诊断系统，提出了基于Le-net网络模型的脑肿瘤识别及肿瘤区域切割技术；面向基于类别不平衡学习技术的AD医学图像挖掘，提出了基于随机森林的不平衡特征选择算法RF-AUC-Cor。