4.1.1 医学获取参数说明 16

4.1.2 数字图像分析软件 17

4.1.3 参数获取介绍 18

4.2诊断结果分类 24

4.2.1 BP神经网络 24

4.2.2 神经网络辅助诊断 27

5 总结与系统未来展望 29

5.1 总结 29

5.2 展望 29

致谢 31

参考文献 32

附录 34

附表1 4C测量数据及预期结果 34

附表2 D评分测量数据 35

附图1研究中使用的所有图片的缩略图 36

1 绪论

1.1 研究背景

随着科技的发展，计算机在各个领域都得到广泛的应用，在医疗方面的应用更是引起众多学者的兴趣。传统的医疗诊断都是靠人进行主观的判断，除了正确率受到极大的影响外，而且效率也非常之低。借助计算机的辅助，可以弥补这两这方面的不足。计算机辅助诊断技术在近年来取得了快速的发展，在一些发达国家，对这方面进行了相当大的投入，每天都有新的成果出来。目前部分在肺结节和乳腺癌方面诊断的研究成果，已经通过了美国食品药品监督局的验证，并用于临床实践。结果表明，其对于医生诊断的准确率起到了积极的作用。计算机辅助诊断系统一方面可以帮助医生发现可疑病变，另一方面还可以定性的给医生一个病变的性质，是良性还是恶性，以及大概的病变程度。

计算机辅助医疗诊断开始于20世纪50年代左右。1959年，美国学者Ledley等人首次建立一个数学模型，并引入到临床医学，并对一组肺癌案例进行了诊断，开启了计算机辅助诊断的历史；1966年，Ledlay首次提出计算机辅助诊断的概念。随着计算机辅助诊断系统的进一步发展，其诊断过程、基础理论、分析方法等都取得了巨大的发展。计算机辅助诊断过程包括病人资料的搜集、医学信息的量化处理、信息的分析处理，到最后诊断出一个结果。20世纪40年代初期，心理学家W·Mcculloch和数理逻辑学家W·Pitts首先提出了神经元的数学模型，并影响至今。20世纪90年代以来，人工神经网络得到快速的发展，其应用逐渐扩展到医学辅助诊断。人工神经网络是模拟大脑神经元的信息处理建立起来的一种数学模型，它具有自学习、预测事件的发展等能力。以往的医疗诊断，在分类等方面，一直用的是传统的方法，如概率统计法等，需要进行大量的工作。而神经网络由于有自学习的能力，在分类方面，具有更优越的性能。可以说，神经网络推动了计算机辅助诊断的发展。

有一点要进行说明的是，有人对计算机辅助诊断的期望过高，期望借助计算机能够实现自动诊断，减少，甚至没有人的参与。这是一个完美的设想，但是是不现实的。目前，众多对于计算机辅助诊断系统的功能达成一个共识：计算机辅助诊断系统的结果对医生只是一个参考，最终结果仍由医生决定。这样使得医生的诊断结果更加客观准确。

1.2 研究目的

当前的医疗诊断，由于人的主观性，同样的案例，有时会诊断出不同的结果，这让诊断后续治疗的风险大大提高，而有时的风险是难以承担的。比如癌症的诊断，细胞病变前，细胞形态都会发生一些改变，但是由于主观的判断，难免会出现误诊，延迟了治疗的时机，最后造成癌扩散，从而加大了治疗难度。如何提高诊断的准确性，避免人为的失误，成为医疗诊断上的一个难点。在对细胞进行了深入的研究后，病理学家们发现，不同状态的细胞，会有自己独特的特征。甚至细胞的有些特征，能很好的体现细胞的状态，于是出现了组织形态学这门学科。组织形态学对细胞进行分析，把细胞的特征数值化，再进行下一步的处理。