1．目的及意义 1.1研究目的及意义 自1895年X射线被发现后，首先应用到了医学诊断上。影像技术在临床医学上的成功应用，使得传统医学的诊断方式发生了根本性的变化。医学影像处理与分析技术是指利用计算机技术来辅助医生鉴别和分析医学影像的技术，它可以为医生提供更准确、更清晰的信息以用于疾病的诊断和治疗。医学影像处理与分析技术的进步，给医生带来了更丰富的影像信息。在传统的医学诊断中，医生通过观察影像胶片发现病灶区域的解剖结构和生理信息，这种诊断方式往往依赖于医生的主观判断，缺乏客观上的准确性且效率较低。直到计算机科学的发展和数字化医疗设备的出现，人们开始把影像胶片上的模拟信息转变为数字信息进行存储和传输，并将数字图像处理与分析技术应用到了医学影像处理中。试图一定程度上排除人�

课题名称 基于人工智能的医学图像处理课题性质 radic;基础研究应用课题 设计型 调研综述 理论研究开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）一、 研究的背景及意义：近年来，医疗领域对深度学习的全面应用，包括自然语言处理、语音识别等。 值得一提的是，由于计算机视觉技术的飞速发展，深度学习在医学图像处理方面取得了令人瞩目的重大突破，人工智能从由声音、文字来理解世界，最后走向了从图像来看懂世界。 医疗系统的信息量巨大，而其中的图像数据高达90%多，这在数据量方面有着天生的优势。 医学图像种类众多，病理切片从传统的玻璃切片发展为数字切片。 其利用全自动显微扫描系统，结合软件系统，把传统玻璃切片进行扫描、无缝拼接，生成一整张全视野的数字切片�

课题名称 基于深度学习的医学文本信息挖掘课题性质 radic; 基础研究应用课题 设计型 调研综述 理论研究开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）课题研究背景：近年来，随着医学文本信息的快速增长，对对这些信息的利用难度也不断加大，如何快速从医学文本中抽取实体，挖掘实体关系就变得尤为重要。 传统的医学实体关系抽取多采用有监督或半监督的学习方法，在标注语料集充足的情况下可以获得很好的效果。 而如果初始语料集不足，使用有监督或半监督的方法很难获得令人满意的结果，使用深度学习则可以在标注语料集很少的情况下利用未标注语料进行训练从而得到较为满意的结果。 深度学习的优势在于：（1）深度学习对于实体特征有再次学习的能力，满足海量数据的训练；

1．目的及意义 在日常生活中，人们经常可以见到图像的影子，医学图像便是其中之一。随着近十几年来计算机技术的飞速发展，越来越多的学者致力于数字图像的研究中并将其广泛应用，因此医学图像的发展进入到了一个新的阶段。 医学图像不断地发展，是为了让人类更加了解自己，更好的为人类自身服务。从古代人类认识自己仅靠外表特征和身体表现，到如今借助各种医疗设备及医学图像来进行病情的观察。随着医疗设备的更新换代，医学图像的种类也越来越多。现在，医学图像被广泛应用于临床实验中，已经成为帮助医生进行疾病预防，诊断和治疗的重要手段，从而大大改善了医疗条件。然而，与此同时也产生了新的问题。第一点：随着人们生活水平的提高，人们对于生活质量的要求也会越高。医院每天会产生各种各样的医学图像，在医�

1．目的及意义 1.1 课题来源 本课题结合国家自然科学基金项目“基于迁移学习的地理领域知识图谱构建技术”（项目号：61702386），联系实际提出本课题。 1.2 研究背景、目的及意义 1.2.1 研究背景 医学影像是诊断和指导治疗的主要手段之一，可以无创地提供相关疾病的信息；医生借助影像，监测分析疾病的发生、发展以及对治疗的反馈，在指导治疗方面有巨大的作用。胸部 X 射线图像被长期用于检测肺炎、肺癌等疾病，是诊断肺部疾病的最佳方法、重要的肺部医学影像之一，在临床护理和流行病学研究中发挥着重要作用。 1.2.2 研究目的 随着互联网技术快速发展，机器学习、计算机视觉、人工智能技术迅速普及，医学临床数据规模不断增长，机器学习方法成为分析医学数据的一种热门方式。采用深度学习技术是目前一个比较普遍的方式。与传统的

文献综述（或调研报告）： 根据文本摘要研究可以把文本摘要方法根据以下五个特征进行分类：输入、目的、输出、方法和评估策略。 2.1 输入 根据输入的医学文献类型可以分为单文档输入和多文档输入或生物医学文献摘要和电子病历摘要等。单文档摘要是根据一篇文献生成摘要，而多文档摘要根据多篇文档生成摘要。在生物医学领域需要进行文本摘要的主要是文献和电子病历（electronic health record），文献与电子病历的组织结构是不同的，因此分为两类。电子病历是半结构化文本，对其进行自动摘要的需求不是很迫切，文献[2]描述了8种电子病历自动摘要的方法。大多数方法是对生物医学文献进行摘要的。 2.2 目的 摘要生成的目的分为用户导向型摘要和通用型摘要。文献[3]给出了一种可以针对医生和非专业用户定制摘�

一、介绍 医学图像配准是现代医学图像处理技术应用的一个重要方面,它是指对不同时间、不同视场、不同成像模式的两幅或多幅图像进行空间几何变换,以使在几何上能够匹配对应起来[1]。图像配准的主要目的是消除待配准图像和参考图像之间几何上的不一致,包括平移、旋转等形变。它是图像分析和处理的关键步骤,是图像对比、数据融合、变化分析和目标识别的必要前提。我们用F和M表示待配准的两幅图像,其中为F固定图像(Fixed Image),M为浮动图像(Moving Image)。配准过程就是要找到一个空间变换,使固定图像与变形后的浮动图像达到空间上的一致性,即选择合适的相似性测度使得它们的相似性达到最大[2]。 传统的配准方法是一个迭代优化的过程，首先定义一个相似性测度S（例如，L2范数）和一个固定图像与浮动图像之间的空间变换T，通过�

1．目的及意义 生物医学信号处理是国内外近年来迅速发展的一个数字信号处理领域，在生物医学研究中有各种各样待提取和处理的信号，有由生理过程自发产生的主动信号，如心电（ECG）、脑电（EEG）、肌电（EMG）等电生理信号和体温、血压、脉搏、呼吸等非电生理信号；还有由外界施加于人体，用以探测的被动信号，如超声波、同位素、X射线等，此时关于生理状态的信息将通过被动信号的某些参数来携带。生物医学信号受到人体诸多因素的影响，具有一些一般信号所没有的特点，由于生命机理的复杂性，使生物医学信号的信号特征变得复杂，因此，从这些信号中提取所需的信息是一个困难而重要的课题。 传统生物医学信号信息的处理方法都是以傅里叶分析理论为基础的，虽然傅里叶分析理论广泛应用与各大科研领域，但是它同样也存在缺

一、文献综述 国内外研究现状 医学图像的配准算法根据配准依据分可以分成两类，一类是基于区域的配准方法，主要依据信息论的原理。还有一类为基于图像特征的配准算法，主要依据一些特征识别算子找到两幅图像的共同的特征，从而进行特征对齐的配准。 在过去的几十年里，信息理论的相似性度量成功地缓解了多模态图像配准与其他类别图像配准之间的差距，并得到了广泛的研究和扩展到更高级的形式。这一步骤得益于互信息(MI：Mutual information)成功使用，由Viola和Wells等人，以及Collignon和Maesl引入和推广。近年来，Maes等人认识到MI方法在多模态医学图像配准任务中带来了革命性的突破。然而，MI的广泛应用和研究也揭示了其不足之处。首先，它不是重叠不变的，因此，当图像没有正确对齐时，MI可能在某些情况下达到最大值�

文献综述 1. 压缩感知基本理论框架 Candes等[1]采用惩罚思想将有限的采样数据精确地重构了原始信号，但在图像的稀疏表示中，随机选取的稀疏系数只有不少于2K个（K是非零稀疏系数的个数），原始信号或图像才能被精确地重构，且具有惟一性的特点，这为压缩感知理论奠定了基础。Candes 和 Donoho 进行进一步的研究于 2006 年正式提出了压缩感知（Compressed Sensing，CS）的概念[1-3]，其核心思想是将压缩与采样合并进行，将可压缩信号或在某个变换域内可以稀疏变化的信号，用一个与变换基不相关的测量矩阵将稀疏变换后的高维信号投影到低维空间，然后根据相应的重构算法从少量的低维投影中重构出原始信号。压缩感知的优点在于信号的投影测量数据量远远小于传统采样方法所获的数据量，突破了香农采样定理的瓶颈，使得高分辨率信号的