SCI论文（www.lunwensci.com）:
摘 要 ：本文设计的肺部辅助诊断平台以医用 CT 机为载体,结合人工智能技术和云存储技术,旨在提升医院诊疗效率、 关注医疗影像隐私保护和影像高效存储问题。本文提出了改进后的 3D-U-Net 神经网络,用于完成肺部影像的分割任务,实验 结果显示 Dice 系数达到了 0.956 的高水平。在影像数据存储与隐私保护方面,本文运用了铅笔盒加密隐写技术将切片进行加 密隐私保护,获得了更高的容量为 3.0 bpp,平均 PSNR 为 43.25 dB。
关键词 ：物联网技术 ；神经网络 ；辅助诊断 ；图像隐写 ；隐私保护
Design and Implementation of a Lung-assisted Diagnosis Platform Based on the Internet of Things Technology
SHEN Yingwei, XIONG Yuqi
(School of Computer and Artificial Intelligence, Liaoning Normal University, Dalian Liaoning 116000)
【Abstract】： In this paper, the lung auxiliary diagnostic platform is designed to take the medical CT machine as a carrier, combined with artificial intelligence technology and cloud storage technology, aiming to improve the diagnosis and treatment efficiency in hospitals, focusing on the privacy protection of medical images and the problem of efficient storage of images. Improved 3D-U-Net neural network is proposed in this paper to complete the segmentation task of lung images, and the experimental results show that the Dice coefficient reaches a high level of 0.956. In terms of image data storage and privacy protection, this paper employs pencil box cryptographic steganography to encrypt the slices for privacy protection, obtaining a higher capacity of 3.0 bpp and an average PSNR of 43.25 dB.
【Key words】：Internet of Things technology;neural networks;assisted diagnosis;image steganography;privacy protection
0 引言
近年来, 肺部疾病的发病率不断增加,成为全球范 围内的重要公共卫生问题。肺部疾病的及早发现和准确 诊断对于患者的治疗和康复至关重要 [1]。然而,传统的 肺部诊断方法存在许多局限性,因此,开发一种高效、 准确的肺部辅助诊断平台对于提高肺部疾病的诊断效率 和准确性具有重要意义 [2]。
随着时代的发展,现代医学已离不开信息技术,逐 步从信息互动、存储、传输等基础功能走向深度融合,在 临床护理、疾病诊断、智能手术等领域发挥越来越多的 作用 [3]。其中, 基于 3D 卷积神经网络（Convolutional Neural Networks,简称 CNN）的肺部图像分割方法 已经取得了显著的进展 [4]。然而,现有的肺部辅助诊断 平台在应用 3D-U-Net 进行肺部图像分割时,普遍存在 计算复杂度高、模型参数过多、运行时间长等问题,限 制了其在临床实践中的应用。另一方面,随着物联网技 术的迅猛发展,传感器和设备的普及应用为肺部辅助 诊断提供了新的机会和挑战 [5]。通过与物联网技术的结 合,可以实时采集和传输患者的生理数据和医学影像, 为医生提供更多的诊断依据和决策支持 [6]。
基于上述背景和问题,本文提出了一种基于 3D-U- Net 和物联网技术的肺部辅助诊断平台。该平台通过集成先进的深度学习算法和物联网技术 [7],实现高效、准 确的肺部图像分割和诊断,能为肺部疾病的早期检测和 精确诊断提供有效的解决方案,减轻医生的工作负担, 改善患者的治疗效果。
1 技术方案
1.1 设计思路
本文旨在设计并实现一个基于物联网技术的肺部辅 助诊断平台, 实现 CT 机、医生端设备和医院云数据库 的互联,同时利用 3D-U-Net 算法和精准分割技术实现 肺部影像的 3D 立体重建。为了保护医疗隐私, 采用本 团队研发的基于改进后的铅笔盒矩阵图像隐写技术将关 键信息隐藏在其他影像中进行传输和处理。对于肺部辅 助诊断平台,可以通过与医疗设备进行互联将设备获取 到的数据直接传输到本平台中进行分析和处理。此外, 为了增强人机交互与用户体验,本文在肺部辅助诊断平 台的开发中,注重人机交互和用户体验。
1.2 平台功能设计
基于物联网技术的肺部辅助诊断平台工作模式如图 1 所示,其具体的平台功能设计有如下几点 ：
（1）CT 机扫描肺部并输出 RTstruct 数据和肺部医 学影像分割数据 ；
（2）将数据传输到医院云数据库中,并利用 3D-U- Net 算法对肺部影像进行分割,提取出肺部区域 ；
（3）利用精准分割技术对肺部影像进行分割,实现 肺部断面的 3D 立体重建 ；将重建后的肺部影像传输到 医生端设备,进行诊断 ；
（4）对于分割后的肺部切片预测结果的传输和处 理,使用隐写技术将图像信息进行隐藏 ；
（5）在实际应用的过程中,医生能够方便地使用本 平台进行肿瘤辅助诊断,并能够及时获得准确的诊断结果。同时,考虑到用户需求和反馈,本作品将持续改 进,不断优化用户体验。
2 关键技术
2.1 3D-U-Net 网络的设置和训练
2.1.1 数据预处理
将数据集进行划分,包括训练集、验证集和测试 集。将 3D 图像数据进行预处理, 包括数据增强和数据 标准化。其中,数据增强包括随机翻转、旋转、缩放等 操作,以增加数据集的大小和多样性 ；数据标准化可以 使用 Z-score 标准化方法,将数据集的均值调整为 0, 方差调整为 1。
2.1.2 网络搭建
搭建 3D-U-Net 网络,包括编码器和解码器。编码 器使用 3D 卷积层和池化层对输入图像进行下采样,提 取特征信息。解码器使用上采样层和 3D 卷积层对编码 器提取的特征信息进行重构,还原出原始图像。在搭建 网络时,需要注意编码器和解码器之间的跳跃连接,以 帮助解码器恢复更多的细节信息。引用了更多的卷积层、 残差连接或注意力机制等高级结构来增加模型的深度和 复杂性。
2.1.3 损失函数选择
使用 Dice 损失和交叉熵损失, Dice 损失在捕捉 预测掩码与真实掩码的空间重叠方面表现优异,而交叉 熵损失在处理像素级别的分类任务上具有优势。将这两 者巧妙地结合起来,可以使模型在边界定位和准确分割 之间达到平衡,获得更高质量的分割结果。提升模型在 精确定位方面的性能。Dice Loss 定义为 1-Dice 系数,其中 Dice 系数计算公式如式 (1) 所示 ：
其中 ：TP、FP 和FN 分别表示 True Positive、False Positive 和 False Negative。Dice Loss 越小, 表示模型预 测结果和真实标签的差异越小。
2.2 铅笔盒矩阵图像隐写算法
该方法构造了一个基于双层铅笔形壳的壳矩阵。算 法流程如图 2 所示。内层基本上是值矩阵,其中包含元 素的值,用 M 表示,并表示坐标（i, j）中存在的一个 元素的值 M（i, j）,外层基本上是包含元素类型的类 型矩阵,用 T 表示,元素的类型出现在坐标（i, j） 中, 用 T（i, j） 表示。构造过程如图 3、图 4、图 5 所示, 利用螺旋搜索技术获得了每个覆盖像素的远距像素。螺 旋搜索技术是一种搜索技术,其中元素查找者通过螺旋 路径顺时针从起始位置向目标位置移动。
3 平台的实现
通过计算机存储系统导入 RTstruct 数据,通过训 练好的 3D-U-Net 网络将其进行分割预测,呈现分割完 成的 3D 肺部视图和预测的切片。如图 6 所示为平台主 界面。
将预测的所有切片通过铅笔盒矩阵加密技术进行数 据的加密,然后上传至医院数据库,医生若想查看某个 病人的数据,可通过数据解密过程得到真实数据,并供医生远程进行诊断。具体流程如图 7 所示。
4 实验结果
4.1 铅笔壳矩阵图像隐写算法
各种实验结果表明,本算法获得了更高的容量为 3.0bpp, 平均 PSNR 为 43.25dB, 如表 1 所示, 优于其 他现有的基于壳矩阵的图像隐写方案。此外,根据 RS 分析、JPEG 压缩分析、Q 指数分析、归一化绝对误差（NAE）分析等结果显示,本方法具有较高的鲁棒性和 安全性。
4.2 图像分割算法
为了证明其在肺部辅助诊断中的优越性和可行性。 我们将分割结果和金标准图像进行了对比如表 2 所示, 并通过计算单张切片的 Precision（精确率）、Recall（召 回率）、Dice 系数、Jaccard 指标, 如表 3 所示 ；并对整 体的分割精度进行计算,结果如表 4 所示,可看出结果 接近 1,证明本算法分割精度高,效果较好。
5 结语
通过本文的研究,我们成功地将人工智能技术和云存 储技术应用于医疗卫生领域,提高了肺部影像分割的准确 性,并解决了医疗影像数据存储过程中的隐私保护问题。 这将为医院提供更高效的诊疗服务,同时保护患者的隐 私,为医疗卫生领域的发展作出了有益的贡献。后续将 围绕算法精确度、用户交互体验等方面进行不断优化。
参考文献
[1] 张莹莹.基于临床检验指标的肺部疾病诊断系统设计与实现 [D].武汉:华中科技大学,2022.
[2] 陈卫平,陈敏亚,陆靓亮.物联网技术在智慧医院建设中的应 用[J].中国卫生信息管理杂志,2020,17(6):710-714+774.
[3] 韦浩然,赵思萌,罗旭.物联网技术应用于医学领域的研究进 展[J].物联网技术,2022,12(1):117-122.
[4] 费远宇.基于3D-Unet优化的医学影像分割研究[D].徐州:中 国矿业大学,2021.
[5] 杨启城,陈菊,杨涛,等.基于物联网的中医居家健康系统搭建 [J].世界科学技术-中医药现代化,2023,25(5):1597-1607.
[6] 安海宁,唐雄风,曹彦龙,等.“智医慧影”—面向基层医疗 的多功能辅助诊断平台[J].物联网技术,2021,11(4):3-4.
[7] 王轻,吴连威,何龙祥,等.基于阿里云物联网平台的医疗数据 管理系统设计与实现[J].软件,2021,42(12):153-157.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/74078.html
