一、数据挖掘在PACS系统中的应用（论文文献综述）
翁小松[1]（2020）在《基于实时流处理的医学影像处理系统》文中研究指明医疗大数据指的是个人因疾病、门诊、住院、体检、健康活动及医院日常管理所产生的海量数据。医疗大数据的发展与人们的生活息息相关,具有重大的战略意义,而在这些数据中的医学影像数据作为非结构化的图像数据,其传输、存储和检索操作无法通过常规方法实现,整合这些功能的系统就是医院的PACS系统。随着国内对于医疗卫生的日益重视和国家的大力投资,PACS系统已经应用到所有医院的信息化管理中。在PACS系统中,医学影像的传输、存储和检索功能互不交叉,其性能和技术有着诸多不足之处,本课题着重于这三个关键功能模块,采用优化框架和算法提高系统整体的运行效率。本文的研究核心是医学影像大数据的传输、存储和检索,这三个功能分为三个模块来实现。传输部分基于实时大数据流式处理框架,需求分析部分主要围绕数据处理框架和数据库特性对比,采用了流式框架的数据处理优势。在搭建完集群平台环境后,设计数据传输任务拓扑,将整体传输流程分为影像采集、数据压缩和文件推送三个逻辑组件,最终将医学影像数据从源地址推送到优化后的数据库中。传输部分提出了基于实时拓扑的负载均衡算法和基于关联任务感知的任务调度算法,存储部分采用数据库的节点散列算法,解决数据库在写入数据过大时的存储热点问题,集成了Thrift IDL网络通信协议,并优化了数据结构和服务接口,检索部分考察了不同用户和场景对于影像检索的需求,设计了数据表的多级检索结构,并与基于元数据表的检索方法进行实验对比。整个传输存储系统在集成了这三个功能模块后最终形成一个完整的信息管理系统,用于医院或医疗机构等对于医学影像大数据的日常管理和监测调度。系统实验结果表明,基于实时流式计算框架的影像传输在速度和性能上得到了有效地改善,基于实时拓扑的负载均衡算法优化了计算集群的资源分配,提高了集群的运行负载能力,优化后的任务调度算法则减少了集群进程间的通信消耗,最终的测试实验证实了系统传输能力得到了有效的提升。本文在存储方面改善了数据库的存储热点问题,优化了Thrift IDL通信模型,提高了整体的存储效率。在影像的检索部分通过和默认的基于元数据表的检索方法的对比实验证明了多级检索结构的设计有效提高了系统的整体检索速度。
李霁雨[2]（2019）在《基于卷积神经网络和Apriori算法的医疗数据挖掘研究》文中指出随着人们对医疗服务需求的日益增长,医疗领域的数据量呈爆炸式增长,并有逐年上升的趋势。这些医疗数据真实记录了患者的就诊信息和医生诊疗的全部过程,能反映医疗领域真实现状。目前医院管理人员大多使用简单的统计学方法对医疗数据进行处理,医疗数据资源的利用价值有限,为提高医疗数据利用价值,探索医疗数据之间隐藏的规律与联系,本文使用数据挖掘技术对某三甲医院的医疗数据进行数据挖掘研究。针对本文得到的实验数据设计并构建了医疗数据仓库,然后使用三种不同的挖掘方法进行研究,主要工作内容如下:（1）基于K-means聚类算法的医生服务质量评价为对医生服务质量进行评价,在数据仓库中选取一段时间内医生的接诊量和患者满意度评分作为主要研究数据。选取3个中心点,计算所有数据到中心点的距离,根据距离远近将所有数据分成三个簇。调整各个簇的中心点,再计算到新的中心点距离并分组,如此迭代直到结果收敛。基于该聚类算法将所有医生分为三组,通过分析可知该结果体现了新生力量、主要骨干和专家教授三个人群医生的服务质量。该结果也可以为奖金兑现、职称晋升和专项培训等方面提供决策依据。（2）基于卷积神经网络的医疗数据挖掘研究基于卷积神经网络提出了疾病分类模型和门诊药房人流量预测模型。将数据仓库中冠心病和肺病患者的信息通过疾病分类模型进行训练和测试,结果显示冠心病患者分类准确率较高,计算精确率P、召回率R、准确率A三个指标,结果显示该模型分类效果较好。将门诊药房前15天的人流量数据输入预测模型,对后5天门诊药房人流量进行预测,结果显示前3天预测效果较好,后2天预测效果一般,经分析发现人流量多时预测效果较好,人流量少时预测效果一般。（3）基于关联规则的住院信息挖掘为探究老年人发病规律及医疗数据间的潜在联系,在数据仓库中提取老年病科患者住院信息作为研究数据,使用关联规则中的Apriori算法进行数据挖掘。经过不断地剪枝、连接,最终得到10条规则。对结果中的数据进行分析,最终得出年龄在60岁～80岁之间的患者因心脏病和脑血管疾病住院的人数最多,该科室接收市区患者最多以及医保报销费用占住院总费用的53%左右的结论。
唐庆伟[3]（2019）在《某院全院级PACS系统设计与实现》文中研究表明随着某院信息技术的不断开展,现有的miniPACS系统,已经不能满足医院发展和医生对影像信息的需求。因而,可以实现全院影像资料的数字化存储与归档管理、影像阅读以及影像胶片的无片化,可以提供医院各部门业务管理工作所需要的数据,还可以实现医学影像全院信息共享和管理信息共享的全院级PACS系统的建设,迫在眉睫。本文从需求分析入手,结合医院现状,完成了从系统网络到数据库的设计与实现,并通过不同测试,确定系统的可用性和实用性。本人主要的工作有如下几个方面:（1）在对某院现有的网络状况进行分析后,根据PACS系统的需求,设计了以千兆网络为骨干网的三层网络方案,采用VLAN-虚拟局域、网关和交换机主备模式等技术,解决了网络运行的安全性和稳定性的问题。同时采用业界公认的福禄克测试对网络进行了测试,测试结果达到预期目标。（2）通过对PACS系统和医院应用需求的分析,采用双机技术,设计出PACS系统的硬件方案,解决了系统运行中出现单点故障而导致系统崩溃的情况,同时考虑到后期存储的问题,将PACS系统的存储分为在线存储和离线存储,利用在线存储保存最近2年内的数据,保证系统查询影像资料的速度;利用离线存储保存2年以上的数据,保证数据的完整性和延续性。（3）为保证PACS系统数据库功能的完全实现,先对PACS数据库进行整体表的设计,再根据整体表的设计,将每张功能表设计出来。为解决PACS系统与HIS系统的融合,设计了全新的数据库视图,与传统的接口模式相比视图更具灵活性。同时,在HIS系统中添加触发器,通过视图,HIS系统直接将数据传输给PACS系统,保证数据传输的及时性。（4）对建设好的系统进行了流程的测试。分别通过与HIS系统的图像和影像设备的图像进行比对测试,测试结果表明图像是一致,达到预期目标。全院级PACS系统的实现已经解决某院影像数据不能共享、功能模块不完整以及科室流程不完善的问题,让数据真正的“活”起来。同时,全院级PACS系统的实现已为某院医学影像诊断中心的成立和开展提供了坚实的基础,也将为医院互联网+的发展以及区域医疗业务的开展提供有力的支撑。
刘露[4]（2018）在《数据挖掘在MES中的应用研究》文中进行了进一步梳理MES（制造执行系统）,它的主要目的在于加强MRP计划的实施功能,解决工厂中信息孤岛的问题,使得MRP计划系统能和工厂作业现场控制系统通过MES联系起来。国内的MES系统应用还停留在将信息收集的作业流程从文本记录变成电子化收集的过程,而帮助企业提高生产效率,降低成本才是MES系统实施的有利价值。随着工业4.0、智能制造、智能工厂等概念的提出,MES正在变成承接工厂主要的运营平台,是工厂的信息纽带。如何利用现代的分析技术基于MES系统中的大量结构化和非结构化的数据进行分析和挖掘,创造有利于企业的价值已经成为了 MES系统提升和优化的研究重点。本课题针对电子制造行业生产线在实现智能工厂中遇到的问题利用数据挖掘技术对收集的信息建模提出解决方案。主要工作包括:1)对目前工厂的质量检验作业流程进行分析,以AQL抽样检验作业为主要业务主线,从操作人员的角度,基于软件工程的一些理论和方法,进行MES系统的质量管理模块的设计和实现。2)从工厂管理者的角度出发,分析了 AQL抽验作业流程中的问题,再基于数据挖掘中算法的学习,设计了能够帮助找出问题原因的数据挖掘方案和模型。3)利用现有的数据结构,基于挖掘的实际需求采用SQL Server Analysis Service技术建立数据仓库。在FTPC平台上实施数据挖掘方案,连接已建立的数据仓库,实现数据模型的开发,运用开发的数据模型在数据仓库中进行数据挖掘。本文通过SSPS工具对该数据模型进行了评估和验证,并将其挖掘结果应用于MES系统质量管理模块中,帮助企业提高了生产效率。
冯雪[5]（2017）在《DICOM本体的模糊语义扩展与智能查询技术研究》文中认为PACS 系统即 Picture Archiving and Communication System,也称医学影像信息系统,与医院信息系统HIS（Hospital Information System）、检验信息系统LIS（Laboratory Information System）、电子病历系统 EMRS（Equipment Maintenance Reporting System）等系统共同构成了现代数字化医院的应用体系。PACS系统以数字化医疗影像的采集、传输、存储和诊断为核心,解决放射科等医学图像产生科室的数字化流程问题,并进一步解决图像处理、数据挖掘等高级应用问题。PACS系统的一系列核心功能,如图像采集、图像传输、图像存储、诊断报告等都基于一个国际标准 DICOM（Digital Imaging and Communications in Medicine）,即医学数字成像和通信标准,当前基于DICOM标准的各项科学研究成为数字医疗领域的一大热点问题。DICOM标准给放射学流程带来了革命性的改变,变传统检查流程为全数字化的工作流程,使高级医学图像应用成为可能。DICOM数据是.dcm后缀,表明这是一个遵循DICOM标准的图像数据。DICOM图像数据包含相关的图像序列和一个头文件,头文件依照DICOM标准的定义包含有图像相关的语义,如患者相关信息、检查设备相关信息、诊断描述相关信息等。这些信息给对应的图像序列营造了一个丰富的语义环境,赋予了对应的图像序列一个丰富的语义标识,为针对这个图像序列的语义挖掘奠定了基础。PACS系统经过长年的使用生产了大量的DICOM图像数据,这些数据囊括了各个医疗学科的相关图像,图像携带了各个学科的语义信息,整个DICOM数据库就是一个医疗全学科诊断学知识库。基于它的语义特性,该数据库已成为数字医学管理和研究的重要对象,如何对其进行科学的组织和管理,使其在医疗、科研、教学中发挥应有的作用,成为DICOM标准相关研究的一个热门课题。语义Web技术可以很好的解决DICOM数据的语义重用问题,它基于描述逻辑和本体论等相关技术对领域信息进行描述和逻辑推理。目前大量的研究工作致力于语义Web相关技术。从构建的角度来看,DICOM数据库包含大量诊断语义信息,为了使相关应用能够对其访问和处理、重用和共享,从中抽取本体和描述逻辑知识库已经成为DICOM标准研究领域中的一个热点。从存储的角度来看,DICOM本体和描述逻辑知识库是规模庞大的,如何有效地存储进这些资源变得越来越重要。应当指出的是,PACS系统应用中存在着不精确和不确定信息,尤其是诊断语言中因个语言人习惯、同义词、近义词的使用等而使图像携带的诊断信息含有更多的不确定性和不精确性。为了表示与推理类似现实应用中广泛存在的模糊知识,使语义Web具有处理模糊知识的能力,当前已有大量的研究工作致力于本体的模糊扩展,相应的,模糊本体的抽取、存储和查询也成为热点研究问题。从知识重用的角度看,构建模糊DICOM本体的目标是在其上实现智能查询。因此,面向模糊本体的模糊语义查询扩展技术和查询优化技术也是一个重要的研究方向。DICOM早期版本给出了结构化报告SR（Structured Report）的信息对象IOD（Information object definition）的定义,在最新的2015版中对其进行了升级,使SR符合HL7（Health Level 7）标准。SR将DICOM图像数据诊断报告按照标准结构组织起来,并使用代码表达诊断医学的相关概念,解决了传统的诊断报告与图像数据分离的问题,也使DICOM图像数据携带了更多的诊断医学领域的语义信息。目前,关于DICOMSR的开发与应用研究,已经成为国内外研究的热点,然而问题与挑战依然存在。目前,精确化定义的SR并不能表示实际应用中的模糊语义,也无法解决用户的模糊查询问题。纵观国内外,目前并没有将模糊技术应用于DICOM SR的扩展和查询的研究。为此,本文系统地研究了 DICOM标准的模糊化扩展和智能语义查询问题,具体的研究工作包括以下五个方面:（1）针对PACS系统和DICOM标准的特点,分析了 DICOM标准模糊化扩展的技术路径,首先在已有研究工作的基础上给出了 PACS系统本体演化和DICOM标准模糊化扩展中的4种数据描述模式的经典形式化模型,包括PACS系统的ER概念模型、关系数据库模型、XML模型、OWL本体模型定义,并进一步基于模糊理论对这4种经典模型进行模糊化扩展,提出了这4种模型的模糊逻辑扩展的形式化定义。最后基于经典关系模式到本体的映射方法给出了映射方法的模糊化扩展,用于实现从PACS系统的模糊关系模式到模糊DICOM本体的映射。（2）研究了 DICOM标准的模糊语义扩展。首先提出了 PACS系统和DICOM标准领域知识的获取和表示方法,之后提出了一个基本DICOM本体知识模型,并基于模糊集理论研究了基本DICOM本体的模糊知识表示和语义扩充。给出了模糊DICOM本体的基本信息模型,在此基础上研究了模糊DICOM本体的编码方案、关系类型和映射方法。给出了模糊DICOM本体的构建方法,研究了构建过程中关于模糊DICOM本体中的类、属性和属性关系、属性约束及关系的OWL表示,并给出了验证所构建本体的逻辑性的方法。最后研究了模糊DICOM本体的持久化方法,给出了一个模糊DICOM本体的总体存储框架,并对该方法进行了实验与分析。（3）为对扩展后的模糊DICOM标准模型进行智能查询,研究了针对模糊逻辑的查询推理方法。基于智能查询的技术路径研究了模糊描述逻辑的查询语言、查询应答、语义推理和语义匹配的形式化模型,并给出了相应的实例,提出了面向模糊逻辑查询推理的FDLQ推理机算法,并给出了实验结果与分析,对实现模糊DICOM本体的智能查询奠定了技术基础。（4）基于DICOM标准的模糊化语义扩展以及模糊描述逻辑的查询推理方法,提出了面向模糊DICOM本体的语义查询处理方法。研究了模糊DICOM本体的语义查询的基本过程、形式化技术和查询扩展,提出了基于用户偏好的智能查询处理方法。给出了模糊DICOM本体的语义查询引擎的设计,并研究了基于该查询引擎的优化技术。最后将研究内容应用于模糊DICOM本体的语义查询,并进行了实验,给出了结果分析。（5）基于DICOM标准关于结构化报告SR的定义,提出了基于模糊DICOM本体的模糊化结构化报告FSR。首先研究了结构化报告SR中关于数值和诊断的XML表示,然后将其扩展到FSR的XML表示。最后给出了 FSR的智能化查询系统的总体框架和功能实现,并对系统的应用效果进行了实验和评估。本文的研究工作构建了 一个较为完整的模糊DICOM本体智能化查询的理论框架,已经取得了系列原创性的研究成果,从而为语义Web和PACS系统图像数据库之间语义互操作的实现奠定了坚实的理论基础,同时也为模糊DICOM本体管理的实现提供了有效的技术支持。
施烈航[6]（2016）在《可视化数字病人关键技术与系统研究》文中研究表明随着医疗数字化的快速发展以及医疗信息系统的广泛应用,各类医疗信息也正在海量式增长。如何在“医疗大数据”的背景下提高医疗信息的利用率和使用效率,成为医学信息系统应用领域的重要研究方向。当前各种医疗信息系统,如HIS、PACS、EMR等,虽然已可以对不同医疗数据进行统一检索,但仍存在效能低下,操作繁琐以及缺乏智能性等缺陷,易造成信息遗漏和信息误差,这成为医生能够快速且高效使用医疗信息的瓶颈和障碍。针对以上问题和挑战,我们研发了一种病人医疗信息多维可视化表达方法,即“可视化数字病人”（Visual Patient）表达方法,该方法可对病人医疗信息进行多维可视化显示,包括从时间维度与空间维度上深入形象地描绘病人的健康状况,帮助医生快速获取病人医疗信息,并解决非专业人士的知识壁垒问题。本论文主要创新研究工作如下:1.研究设计了一种基于人体解剖结构和医学器官组织分类标准的可视化表达病人诊疗数据的医疗信息处理系统,即可视化数字病人系统（Visual Patient System,VPS）。VPS将病人的历史医疗信息以多维度可视的状态进行表达,使用户无需阅读与分析医疗报告即可直观地了解病人的历史健康状况。VPS系统主要功能为:（1）基于人体解剖结构可视化表达病人器官和部位的医疗状态;（2）对多次影像检查的器官病灶发展趋势进行定量化表达和显示;（3）获取病人原始诊疗信息的接口与数据交换功能,包括DICOM图像诊断报告等。2.利用自然语言处理技术（NPL）,以基于规则和基于统计相结合的方法设计了一套针对RIS系统影像报告文本的语义分析算法。该算法能够从自由文本报告中提取病人的关键医疗信息,并以键值对的数据结构进行处理,传输和存储。该算法是整个可视化数字病人系统的基石;该处理技术可对复杂病人影像报告信息进行结构化表达与挖掘,完成对病人深层信息的准确提取并将其与VPS集成,实现对临床影像报告的智能分析处理,为VPS临床试用评估提供了关键技术支撑。3.设计研发了一种基于Hadoop分布式处理架构的医疗数据采集,处理与存储技术方法,并将其应用于VPS的系统实现。以Hadoop批处理分布式集群与Storm流式处理分布式集群相结合的方式,搭建了可视化数字病人信息处理单元系统（VPIS）。该系统能够并行处理来自不同数据源不同数据结构的医疗数据,并保持高时效性。该处理架构与方法能将病人信息独立于数据库存储,检索病人信息时无需访问各类信息系统,提高了医疗信息获取的移动性、安全性和便捷性,保证了VPS对临床数据采集处理的实时性,可视化索引查询提取的时效性及VPS系统临床集成应用的灵活性与可扩展性。4.研究了VPS系统与临床PACS/RIS系统的集成方法,并对VPS进行了临床试用评估。通过临床医生实际操作评估对比,证明通过VPS查阅病人历史诊断信息的所用时间较临床PACS/RIS系统快50%以上,且能够保证信息获取的准确率。证明了研发的VPS在病人历史病情智能挖掘表达,基于内容的显示处理方面较传统系统的优越性和临床的可实现性,为在“医疗大数据”的背景下临床医生快速有效地获取和分析病人信息,提高诊断决策效率和质量提供了一种新的技术方案。
黄荣俊[7]（2016）在《数据挖掘在速递物流业务中的应用》文中提出随着信息化技术的不断发展,快递物流企业也受到信息化的影响,逐渐开启物流产业信息化建设的步伐。利用信息化技术构建一个具有智能灵活、反应迅速、安全可靠的快递物流信息系统对于提高快递物流企业效能具有重要意义。而采用数据挖掘技术的快递物流信息系统,能够运用数据挖掘技术处理客户信息,能够为物流企业制定发展策略提供有价值的信息资源,对于提高快递物流企业的核心竞争力具有重要的应用价值。本论文的研究主要是围绕基于数据挖掘技术的快递物流信息系统设计与实现而展开的,论文采用C/S模式设计快递物流信息系统,并将数据挖掘技术与快递物流信息系统相结合,采用SQL Server 2008作为数据仓库开发工具,根据系统需求设计了数据挖掘模型。利用软件工程方法实现该系统各项功能并进行了系统测试,证实该系统满足设计要求。本文的主要研究工作及取得成果如下:（1）基于C/S模式设计了快递物流信息系统,本系统可实现快递物流常规业务的信息化管理,如快递客户信息管理、快件信息管理及订单管理等。系统采用模块化设计思想,可方便系统后期维护与功能扩展;（2）完成数据仓库的开发及数据挖掘模型设计,从而使得系统具有数据挖掘功能,可用于分析客户潜在价值,为快递物流业务拓展提供决策信息。本系统采用SQL Server2008作为数据挖掘模块设计工具,设计了星型数据仓库,为实现数据挖掘做好基础准备;（3）所设计的快递物流信息管理系统可用于快递物流企业常规业务管理,也可用于客户信息挖掘与员工业务水平分析,单独设计了系统维护模块,方便用户的系统维护与管理;（4）对本系统进行了主要功能与性能的测试,测试结果表明该系统满足设计要求,符合用户的实际需求。此外,本系统在快递物流企业的实际应用评估显示该系统符合系统设计目标,实用价值明显。论文的重点在于介绍数据仓库、数据挖掘模型的设计,所设计的数据挖掘功能满足设计要求,符合用户使用需求,提高了系统性能,达到了数据决策分析的目的。
王逊[8]（2014）在《数据挖掘在医学领域中的应用》文中研究说明医学数据挖掘的目的是从大量的医学数据中挖掘出潜在并且有效的知识,信息,模型,关联,变化等,从而帮助医生进行更加快速和准确的诊断。本文主要研究了数据挖掘中关联规则提取和粗糙集理论中的一些关键技术及其在医学图像挖掘中的应用。将医学图像的特征与数据挖掘的技术特点相结合,取得了良好的效果。本文的主要工作及创新点如下:首先,本文详细综述了数据挖掘的理论基础,体系结构,主要技术和方法,并研究了医学数据挖掘的数据预处理,特征选取,医学数据挖掘的特殊性等针对性问题,将两者有机结合,总结了一套适合医学数据挖掘的技术路线和过程模型。在此基础上,本文主要对以下两方面进行了研究和创新,第一,研究了关联规则挖掘技术,其中深入研究了Apriori算法,以及图像的灰度共生矩阵相关技术,提出了一种基于图像灰度纹理特征的关联规则挖掘方法,并对泸州医学院附属医学的肝脏CT实例图像进行了关联规则挖掘,并进行实验对比了Apriori算法和一系列Apriori算法改进算法的效率和分类效果。第二,研究了粗糙集挖掘中的关键技术,比较了属性约简各种算法的优劣,然后利用粗糙集方法对若干脑瘤MRI影像进行分析,研究其在医学影像挖掘中的应用,利用MRI征象挖掘得到了利于脑瘤分级的规则。
张洪磊[9]（2014）在《基于Hadoop的医院数据中心系统设计与实现》文中提出随着国民经济的发展,医院信息化进程的不断推进,以电子病历、PACS系统等为代表的临床信息系统得到了广泛的使用。医院推进信息化过程中,数据存储问题日益凸现出来,传统分散式的数据存储模式有着明显的缺陷,数据安全性、可靠性得不到保障,数据备份繁琐,并且无法挖掘数据的潜在价值,因此数据中心建设提上医院信息化日程。鉴于以传统Unix服务器为基础的数据中心具有成本高、计算能力不足、数据读取速度相对较慢等缺陷,本论文结合当前计算机技术潮流,提出以Hadoop分布式框架为基础构建医院数据中心系统。本论文针对医院数据存储的实际需求,结合Hadoop框架的自身特点,使用Hadoop、HBase、Hive、Mahout等在大数据时代得到广泛使用的技术,构建医院数据中心。本数据中心在克服传统Unix服务器缺点、满足医院数据存储需求的同时,为医院提供私有云和大数据的机器学习平台。本论文首先完成医院数据中心系统的开发,然后以电子病历系统为例,实现了结构化数据在数据中心的高速读取和存储；以PACS系统为例,实现了非结构化数据在数据中心的高速存储和读取；在机器学习平台上实现了推荐引擎算法。以Hadoop分布式框架为基础构建医院的数据中心系统具有实施成本低、数据存储安全可靠、系统易扩展、数据读写速度快、计算能力强等特点。数据中心系统与现有医院临床信息系统可实现无缝集成,为医院提供结构化数据和非结构化数据的高速存储。在数据集中存储的基础上,利用Hadoop集群强大的计算能力,构建大数据的机器学习平台,挖掘数据背后的信息,为医生提供临床决策支持。系统解决了医院数据存储问题,使医院更加信息化、一体化、智能化,促进了医院信息化发展。
周光华,李岳峰[10]（2012）在《数据挖掘技术在卫生统计信息工作中的应用研究》文中进行了进一步梳理随着医改逐步推向深入,医改进展监测评估和卫生信息化建设已成为卫生统计信息工作的重点,深度分析挖掘数据对于充分发挥医改进展监测评估和卫生信息化建设服务决策和支撑保障作用具有重要意义。数据挖掘技术作为数据处理分析的重要手段,在商业、工业、教育、水利等众多领域得到应用。本文旨在阐述数据挖掘技术对于卫生统计信息工作的重要性,概述数据挖掘技术,综述并总结展望数据挖掘技术在卫生统计信息领域中的应用,为卫生统计信息工作者提供参考。
二、数据挖掘在PACS系统中的应用（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、数据挖掘在PACS系统中的应用（论文提纲范文）
（1）基于实时流处理的医学影像处理系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 医学影像管理的关键技术 |
| 1.4 论文主要内容及结构 |
| 2 系统架构和模块设计 |
| 2.1 系统模块化设计 |
| 2.2 各模块功能分析 |
| 2.3 技术需求分析 |
| 2.3.1 数据传输处理系统对比分析 |
| 2.3.2 数据库特性对比分析 |
| 2.4 性能指标的确定 |
| 2.5 本章小结 |
| 3 流式实时图像传输处理策略 |
| 3.1 集群环境搭建 |
| 3.2 系统资源调度问题分析 |
| 3.3 集群负载均衡和任务调配策略优化 |
| 3.3.1 基于实时拓扑的负载均衡算法设计 |
| 3.3.2 任务调度算法研究分析 |
| 3.3.3 基于关联任务感知的任务调度算法设计 |
| 3.4 系统传输测试 |
| 3.5 本章小结 |
| 4 非结构化图像存储优化研究 |
| 4.1 IDL通信机制和存储热点问题分析 |
| 4.2 数据库的存储优化设计 |
| 4.2.1 IDL数据结构和服务接口优化 |
| 4.2.2 非阻塞式客户端通信设计 |
| 4.3 系统存储测试 |
| 4.4 本章小结 |
| 5 基于多级索引结构的图像检索 |
| 5.1 医学影像检索技术分析 |
| 5.2 多级索引结构设计 |
| 5.3 基于多级索引表的检索模块设计 |
| 5.4 系统检索测试 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录 攻读硕士学位期间发表的学术论文 |
（2）基于卷积神经网络和Apriori算法的医疗数据挖掘研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 数据挖掘在医疗领域应用的研究现状及发展趋势 |
| 1.2.1 数据挖掘技术的研究现状与发展趋势 |
| 1.2.2 数据挖掘在医疗数据领域的应用 |
| 1.3 本章主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 全文章节安排 |
| 第二章 数据挖掘基本理论及算法 |
| 2.1 数据挖掘基本理论 |
| 2.1.1 数据挖掘概念 |
| 2.1.2 数据挖掘流程 |
| 2.1.3 常见数据挖掘工具 |
| 2.2 数据挖掘常见算法简介 |
| 2.2.1 聚类 |
| 2.2.2 关联规则 |
| 2.2.3 分类 |
| 2.3 本章小结 |
| 第三章 医疗数据仓库的构建 |
| 3.1 数据仓库概述 |
| 3.1.1 数据仓库的定义 |
| 3.1.2 数据仓库的特点 |
| 3.1.3 数据仓库系统结构和模型 |
| 3.2 医疗数据来源及分析 |
| 3.2.1 医疗数据来源 |
| 3.2.2 医疗数据的初步筛选 |
| 3.2.3 医疗数据的提取 |
| 3.3 医疗数据仓库的结构设计 |
| 3.3.1 医疗数据仓库模型设计 |
| 3.3.2 医疗数据仓库的数据结构 |
| 3.4 本章小结 |
| 第四章 基于K-means聚类算法的医生服务质量评价 |
| 4.1 研究意义 |
| 4.2 K-means聚类算法介绍 |
| 4.3 基于K-means聚类的医生服务质量评价 |
| 4.4 本章小结 |
| 第五章 基于卷积神经网络的医疗数据挖掘 |
| 5.1 研究意义 |
| 5.2 卷积神经网络原理 |
| 5.3 用于医疗数据挖掘的卷积神经网络结构设计 |
| 5.3.1 疾病分类模型设计与实验 |
| 5.3.2 门诊药房人流量预测模型设计与实验 |
| 5.4 本章小结 |
| 第六章 基于关联规则的住院信息挖掘 |
| 6.1 研究意义 |
| 6.2 Apriori关联规则挖掘算法 |
| 6.2.1 Apriori算法的基本原理 |
| 6.2.2 Apriori算法的执行过程 |
| 6.3 住院信息数据处理 |
| 6.3.1 住院信息数据的提取 |
| 6.3.2 数据预处理 |
| 6.4 住院信息数据挖掘过程 |
| 6.4.1 数据挖掘过程 |
| 6.4.2 挖掘结果分析 |
| 6.4.3 结果分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文结论 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（3）某院全院级PACS系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 PACS系统介绍 |
| 1.2 国内外对PACS系统的研究现状 |
| 1.3 课题背景及实现的目的和意义 |
| 1.4 课题开展目的和内容 |
| 1.4.1 设计内容 |
| 1.4.2 实现内容 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第二章 系统需求分析与整体设计 |
| 2.1 医院现状分析 |
| 2.1.1 医院概况 |
| 2.1.2 医院现状分析 |
| 2.1.3 影像设备及数据量分析 |
| 2.2 对系统建设的要求 |
| 2.2.1 系统建设的总体目标 |
| 2.2.2 系统建设的具体目标 |
| 2.2.3 系统建设的思路 |
| 2.2.4 系统建设遵循的原则 |
| 2.2.5 系统建设遵循的依据和规范 |
| 2.3 系统整体设计 |
| 2.4 本章小结 |
| 第三章 系统网络设计与实现 |
| 3.1 医院网络现况分析 |
| 3.2 系统网络设计 |
| 3.2.1 网络整体系统设计 |
| 3.2.2 组网原则 |
| 3.2.3 网络设计思路 |
| 3.2.4 网络设计 |
| 3.2.5 综合布线的设计方案 |
| 3.3 系统网络的实现和测试 |
| 3.3.1 网络VLAN的配置 |
| 3.3.2 网络IP地址的配置 |
| 3.3.3 配置Link-group |
| 3.3.4 配置OSPF |
| 3.3.5 配置通过IPSG功能 |
| 3.3.6 配置主备模式 |
| 3.3.7 楼层交换机配置 |
| 3.3.8 网络测试数据 |
| 3.4 本章小结 |
| 第四章 系统数据库的设计与实现 |
| 4.1 硬件需求分析 |
| 4.2 硬件系统设计与实现 |
| 4.2.1 系统硬件设计 |
| 4.2.2 硬件系统实现与测试 |
| 4.3 PACS与 HIS的融合 |
| 4.3.1 系统整合的意义 |
| 4.3.2 融合的需求分析 |
| 4.3.3 融合的实现 |
| 4.3.4 融合效果 |
| 4.3.5 系统集成后的业务流程 |
| 4.3.5.1 门诊病人检查流程 |
| 4.3.5.2 住院病人检查流程 |
| 4.4 历史数据的迁移 |
| 4.4.1 数据库表结构分析与迁移 |
| 4.4.2 影像数据分析和迁移 |
| 4.4.3 数据完整性校验 |
| 4.5 数据库实现 |
| 4.5.1 系统数据库的设计 |
| 4.5.1.1 数据库整体设计 |
| 4.5.1.2 功能表的设计 |
| 4.5.2 影像浏览 |
| 4.5.3 融合表的设计 |
| 4.5.4 回调表的设计 |
| 4.6 数据的管理 |
| 4.6.1 数据的存储 |
| 4.6.2 数据的压缩 |
| 4.7 本章小结 |
| 第五章 系统的测试与评价 |
| 5.1 系统测试环境 |
| 5.2 系统功能测试 |
| 5.2.1 系统流程测试 |
| 5.2.2 系统图像测试 |
| 5.3 系统实时性测试 |
| 5.4 系统测试评价 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（4）数据挖掘在MES中的应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景 |
| 1.1.1 数据挖掘概述 |
| 1.2 课题的目标和意义 |
| 1.3 课题的主要内容 |
| 1.4 论文结构 |
| 第2章 课题相关知识 |
| 2.1 数据挖掘技术 |
| 2.1.1 数据预处理 |
| 2.1.2 数据挖掘建模技术 |
| 2.1.3 数据仓库 |
| 2.1.4 数据挖掘步骤 |
| 2.2 MES系统介绍 |
| 2.2.1 MES模块介绍 |
| 2.2.2 MES技术发展趋势 |
| 2.2.3 MES国内外厂商 |
| 2.3 本章小结 |
| 第3章 MES系统质量管理模块的设计 |
| 3.1 需求分析 |
| 3.2 功能描述 |
| 3.3 原型设计 |
| 3.4 逻辑设计 |
| 3.5 数据结构 |
| 3.6 本章小结 |
| 第4章 MES系统质量管理数据仓库的构建 |
| 4.1 质量模块数据结构分析 |
| 4.2 主题分析 |
| 4.3 数据模型设计 |
| 4.4 建立多维数据集 |
| 4.5 本章小结 |
| 第5章 数据挖掘技术在FTPC平台上的应用 |
| 5.1 问题描述 |
| 5.2 开发平台 |
| 5.2.1 平台特性 |
| 5.3 决策树算法实现 |
| 5.4 结果分析 |
| 5.5 结果应用 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题的研究总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间公开发表的论文 |
| 致谢 |
（5）DICOM本体的模糊语义扩展与智能查询技术研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与动机 |
| 1.2 国内外现状与分析 |
| 1.2.1 基于语义的医学图像查询的现状与分析 |
| 1.2.2 模糊描述逻辑和模糊本体查询的现状与分析 |
| 1.3 本文研究意义及工作 |
| 1.3.1 研究意义与目标 |
| 1.3.2 研究内容 |
| 1.3.3 论文的组织结构 |
| 第2章 相关基础理论 |
| 2.1 PACS系统基础理论 |
| 2.1.1 PACS系统的概念 |
| 2.1.2 PACS系统的组成及原理 |
| 2.2 DICOM标准基础理论 |
| 2.2.1 DICOM标准的产生 |
| 2.2.2 DICOM标准的内容 |
| 2.2.3 DICOM的信息模型 |
| 2.2.4 DICOM的运行机制 |
| 2.2.5 DICOM SR |
| 2.3 本章小结 |
| 第3章 模糊描述逻辑与本体的形式化及映射方法 |
| 3.1 PACS系统模糊概念模型的形式化表示 |
| 3.1.1 模糊ER概念模型的定义 |
| 3.1.2 PACS数据库的模糊ER概念模型 |
| 3.2 模糊逻辑关系数据库模型的形式化表示 |
| 3.2.1 模糊逻辑关系数据库模型的形式化定义 |
| 3.2.2 模糊DICOM数据关系数据库示例 |
| 3.3 模糊逻辑的XML数据模型 |
| 3.3.1 模糊逻辑XML的形式化定义 |
| 3.3.2 模糊DICOM信息的FXML示例 |
| 3.4 模糊逻辑OWL本体的形式化描述 |
| 3.4.1 经典OWL本体的形式化 |
| 3.4.2 模糊OWL本体的形式化 |
| 3.5 模糊本体的映射方法 |
| 3.5.1 经典关系模式到本体的映射 |
| 3.5.2 模糊关系模式到模糊本体的映射 |
| 3.5.3 模糊本体的结构映射算法MAPFR20 |
| 3.5.4 实验结果与分析 |
| 3.6 本章小节 |
| 第4章 DICOM标准的模糊语义扩展 |
| 4.1 DICOM本体领域知识的获取和表示 |
| 4.1.1 PACS关系数据库的知识模型获取 |
| 4.1.2 DICOM本体领域知识的表示 |
| 4.2 DICOM本体的语义扩充 |
| 4.2.1 DICOM标准中的模糊知识表示 |
| 4.2.2 基于模糊集理论的DICOM本体的语义扩充 |
| 4.3 模糊DICOM本体的语义映射方法 |
| 4.3.1 模糊DICOM本体的信息模型 |
| 4.3.2 模糊DIOCM本体的编码方案 |
| 4.3.3 模糊DICOM本体的关系类型 |
| 4.3.4 模糊DICOM本体的关系实例映射 |
| 4.3.5 模糊DICOM本体的映射算法FDICOMMAP与实验结果分析 |
| 4.4 模糊DICOM本体的构建方法 |
| 4.4.1 模糊DICOM本体的OWL类 |
| 4.4.2 模糊DICOM本体的OWL属性和属性关系 |
| 4.4.3 模糊DICOM本体的OWL属性约束 |
| 4.4.4 模糊DICOM本体的OWL关系 |
| 4.4.5 模糊DICOM本体逻辑关系验证 |
| 4.5 模糊DICOM本体存储方法 |
| 4.5.1 模糊DICOM本体的总体存储框架 |
| 4.5.2 模糊DICOM本体的存储实例 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于模糊描述逻辑的查询推理方法 |
| 5.1 模糊描述逻辑查询语言 |
| 5.1.1 描述逻辑的模糊化扩展 |
| 5.1.2 模糊合取查询语言 |
| 5.2 模糊描述逻辑查询应答 |
| 5.2.1 模糊逻辑知识库标准化与可满足性检查 |
| 5.2.2 模糊描述逻辑的查询语言重写与应答 |
| 5.3 模糊逻辑的语义推理机制 |
| 5.3.1 经典语义推理规则的形式化 |
| 5.3.2 经典语义推理规则的建立 |
| 5.3.3 模糊语义推理规则的扩展 |
| 5.4 模糊描述逻辑的查询语义匹配 |
| 5.4.1 精确查询语义匹配策略 |
| 5.4.2 查询语义匹配策略的模糊化扩展 |
| 5.5 FDLQ推理机算法与实验 |
| 5.5.1 FDLQ推理机算法 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小节 |
| 第6章 基于模糊DICOM本体的智能语义查询处理方法 |
| 6.1 模糊DICOM本体语义查询处理的基本过程 |
| 6.2 模糊DICOM本体语义查询的查询语句形式化 |
| 6.2.1 查询语句的预处理 |
| 6.2.2 查询语句的语义扩展 |
| 6.2.3 基于用户偏好的智能查询 |
| 6.3 模糊DICOM本体语义查询处理引擎的设计 |
| 6.3.1 查询处理引擎的功能 |
| 6.3.2 查询处理引擎的优化 |
| 6.4 模糊DICOM本体的语义查询处理 |
| 6.5 实验结果与分析 |
| 6.6 本章小结 |
| 第7章 基于模糊DICOM本体的结构化报告FSR生成方法 |
| 7.1 结构化报告SR |
| 7.1.1 测量值的XML表示 |
| 7.1.2 诊断语言的XML表示 |
| 7.2 模糊结构化报告FSR |
| 7.3 FSR的智能化查询系统的实现 |
| 7.3.1 FSR的智能化查询系统的总体架构 |
| 7.3.2 FSR的智能化查询系统的功能实现 |
| 7.4 FSR的应用评估 |
| 7.4.1 ImageCLEF2015检索实验 |
| 7.4.2 临床应用检索实验 |
| 7.5 本章小结 |
| 第8章 结束语 |
| 8.1 本文的主要贡献与结论 |
| 8.2 未来的工作 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
| 攻读博士期间主持及参加的科研项目 |
| 作者从事科学研究和学习经历的简历 |
（6）可视化数字病人关键技术与系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 大数据与精准医疗 |
| 1.1.1 大数据技术发展概况 |
| 1.1.2 大数据在医疗领域的应用 |
| 1.1.3 精准医疗简介 |
| 1.2 现代医疗信息系统介绍与其存在的问题 |
| 1.2.1 主要医疗信息系统简介 |
| 1.2.2 医疗信息系统存在的问题以及面临的挑战 |
| 1.3 国外在医疗大数据方面的研究举例 |
| 1.3.1 问题导向的病人图像与临床信息管理和可视化系统 |
| 1.3.2 凯撒医疗集团 |
| 1.4 本论文研究内容及意义 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本论文研究的创新点 |
| 1.4.3 本文的组织结构 |
| 第2章 可视化数字病人系统概念介绍与方法研究 |
| 2.1 可视化数字病人系统概念介绍 |
| 2.2 可视化数字病人系统输入输出数据模型分析 |
| 2.2.1 输入数据模型分析 |
| 2.2.2 输出数据模型分析 |
| 2.2.3 系统数据流分析 |
| 2.3 可视化数字病人系统模块化分析与设计 |
| 2.3.1 病人信息原始数据模块 |
| 2.3.2 病人信息提取模块 |
| 2.3.3 病人信息对象存储模块 |
| 2.3.4 病人信息可视化显示模块 |
| 2.4 可视化数字病人系统实现方法及拟解决的关键问题 |
| 2.4.1 在大数据下提高数据处理效率与系统时效性 |
| 2.4.2 提高历史医疗数据的利用率 |
| 2.4.3 提高原始医疗数据中高价值信息提取的准确率 |
| 2.4.4 提高医疗数据的易读性 |
| 2.5 可视化数字病人系统架构与主要功能组件 |
| 第3章 病人关键医疗信息提取与归一化处理方法研究 |
| 3.1 病人关键医疗特征信息的定义 |
| 3.1.1 医疗信息的种类 |
| 3.1.2 各类型医疗信息提取技术的需求分析 |
| 3.2 自由文本形式医疗信息基于内容的提取技术分析 |
| 3.3 高维数据形式医疗信息的挖掘与表达 |
| 3.4 医疗图像信息特征提取与信息表达 |
| 3.5 各类医疗信息归一化处理方法研究 |
| 3.5.1 医疗信息化国际标准 |
| 3.5.2 病人信息可视化对象的构建 |
| 3.5.3 病人信息可视化对象节点命名规则 |
| 3.5.4 病人信息映射体系研究 |
| 第4章 医疗信息语义分析系统（Med SCS）技术研究 |
| 4.1 自然语言处理技术 |
| 4.1.1 形式语言与自动机 |
| 4.1.2 隐式马尔科夫链 |
| 4.1.3 分词和词性标注 |
| 4.2 文本医疗信息的信息提取技术研究 |
| 4.2.1 放射科信息系统(RIS)影像报告信息提取模型设计 |
| 4.2.2 医院信息系统(HIS)文本报告的文本分类技术 |
| 4.3 医疗信息语义分析系统（Med SCS）技术设计与实现 |
| 4.3.1 影像报告文本分词 |
| 4.3.2 医疗信息语料库的建立 |
| 4.3.3 影像报告自由文本文法分析与语义模型设计 |
| 4.3.4 基于规则的文本信息提取算法设计 |
| 4.3.5 基于统计的文本信息提取算法设计 |
| 第5章 可视化数字病人信息处理单元系统(VPIS)技术研究 |
| 5.1 可视化数字病人信息处理单元系统需求分析 |
| 5.2 Hadoop分布式大数据分析系统基础架构 |
| 5.2.1 Map Reduce编程模型思想介绍 |
| 5.2.2 HDFS分布式文件系统介绍 |
| 5.2.3 Hadoop系统在可视化数字病人信息处理单元系统中的应用 |
| 5.2.4 Hadoop集群的远程调用及扩展 |
| 5.3 Storm流式大数据处理系统基础架构 |
| 5.3.1 Zookeeper分布式应用程序协调服务 |
| 5.3.2 Storm拓扑数据流处理架构 |
| 5.3.3 Storm系统在可视化数字病人信息处理单元系统中的应用 |
| 5.4 可视化数字病人信息处理单元系统（VPIS）逻辑架构设计 |
| 5.4.1 VPIS的输入输出数据模型分析 |
| 5.4.2 VPIS逻辑架构整体设计 |
| 5.5 可视化数字病人信息处理单元系统（VPIS）物理架构设计 |
| 5.5.1 Hadoop物理集群搭建 |
| 5.5.2 Storm流式处理集群搭建 |
| 5.5.3 数据中继站 |
| 5.5.4 数据采集与流式数据处理拓扑结构的部署 |
| 5.5.5 VPIS物理架构整体设计 |
| 第6章 可视化数字病人系统客户端设计与技术实现 |
| 6.1 可视化数字病人系统客户端需求分析 |
| 6.2 可视化数字病人系统信息显示载体 |
| 6.2.1 3D数字人体模型 |
| 6.2.2 数字人体模型分割 |
| 6.2.3 模型对象数据结构 |
| 6.3 可视化数字病人系统客户端逻辑结构设计与技术实现 |
| 6.3.1 可视化索引控件模型加载模块实现 |
| 6.3.2 可视化索引控件加载病人信息模块实现 |
| 6.3.3 可视化索引控件基本操作模块实现 |
| 6.3.4 可视化索引控件选择模块实现 |
| 6.3.5 病人关键医疗信息调阅与显示实现 |
| 6.3.6 集成PACS影像工作站 |
| 6.4 可视化数字病人系统客户端人机交互界面(GUI)设计 |
| 6.4.1 可视化数字病人系统客户端界面设计 |
| 6.4.2 可视化索引模型显示方式与显示层级划分 |
| 6.4.3 可视化索引模型基本操作 |
| 6.4.4 病人关键医疗信息调阅与显示 |
| 第7章 可视化数字病人系统性能评测 |
| 7.1 可视化数字病人系统测试环境介绍 |
| 7.2 VPIS基本性能测试评估 |
| 7.3 Med SCS信息提取准确度验证报告 |
| 7.4 可视化数字病人系统响应时间评估 |
| 7.5 可视化数字病人系统试验样机临床测试报告 |
| 7.6 可视化数字病人系统试验样机满意度调查报告与意见反馈 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 附录 |
| 攻读博士期间发表的论文 |
（7）数据挖掘在速递物流业务中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国内外数据挖掘研究现状 |
| 1.3.2 国内外速递物流信息化应用现状 |
| 1.4 本文研究内容 |
| 1.5 论文结构 |
| 2 关键技术理论基础 |
| 2.1 数据仓库理论 |
| 2.1.1 数据仓库概述 |
| 2.1.2 数据仓库基本结构 |
| 2.1.3 数据仓库构建流程 |
| 2.2 数据挖掘理论 |
| 2.2.1 数据挖掘概述 |
| 2.2.2 数据挖掘流程 |
| 2.3 系统开发技术 |
| 2.3.1 C/S模式 |
| 2.3.2 SQL Server2008 数据库 |
| 2.3.3 Delphi开发工具 |
| 2.4 本章小结 |
| 3 系统需求分析 |
| 3.1 功能需求分析 |
| 3.1.1 快递物流业务信息管理功能 |
| 3.1.2 客户信息管理功能 |
| 3.1.3 客户信息挖掘功能 |
| 3.1.4 员工业务水平分析功能 |
| 3.2 非功能性需求分析 |
| 3.3 本章小结 |
| 4 基于数据挖掘快递物流信息系统设计 |
| 4.1 系统概述 |
| 4.2 系统总体设计 |
| 4.2.1 总体架构设计 |
| 4.2.2 系统总体结构设计 |
| 4.2.3 系统流程图设计 |
| 4.3 系统功能设计 |
| 4.3.1 快递物流业务信息管理功能 |
| 4.3.2 客户信息管理功能 |
| 4.3.3 客户信息挖掘功能 |
| 4.3.4 员工业务水平分析功能 |
| 4.3.5 系统维护功能 |
| 4.3.6 基于角色访问设计 |
| 4.4 数据库设计 |
| 4.4.1 概念设计 |
| 4.4.2 数据表设计 |
| 4.4.3 数据仓库建立 |
| 4.5 数据挖掘模块设计 |
| 4.5.1 数据挖掘模型概述 |
| 4.5.2 数据挖掘实现的功能 |
| 4.5.3 数据挖掘的方法与流程 |
| 4.6 本章小结 |
| 5 系统实现与测试 |
| 5.1 系统界面实现 |
| 5.2 系统功能模块实 |
| 5.2.1 快递物流业务信息管理模块 |
| 5.2.2 客户信息管理模块 |
| 5.2.3 客户信息挖掘模块 |
| 5.2.4 员工业务水平分析模块 |
| 5.3 系统测试 |
| 5.3.1 测试环境 |
| 5.3.2 测试用例分析 |
| 5.3.3 测试内容与结果 |
| 5.3.4 测试分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）数据挖掘在医学领域中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题意义 |
| 1.2 数据挖掘的发展与现状 |
| 1.3 数据挖掘在医学上的应用现状 |
| 1.4 本论文的研究内容与组织结构 |
| 第二章 医学数据挖掘 |
| 2.1 引言 |
| 2.2 数据挖掘基础 |
| 2.2.1 数据挖掘概念 |
| 2.2.2 数据挖掘体系结构 |
| 2.3 数据挖掘的主要技术与方法 |
| 2.3.1 关联规则提取 |
| 2.3.2 聚类分析 |
| 2.3.3 分类分析 |
| 2.3.4 粗糙集理论 |
| 2.4 医学数据处理 |
| 2.4.1 数据预处理 |
| 2.4.2 医学数据的特殊性 |
| 2.5 医学数据挖掘过程模型 |
| 2.6 本章小结 |
| 第三章 关联规则提取及其在医学图像数据挖掘中的应用 |
| 3.1 引言 |
| 3.2 关联规则理论基础 |
| 3.2.1 关联规则概述 |
| 3.2.2 关联规则基本概念 |
| 3.2.3 关联规则挖掘的基本过程 |
| 3.3 关联规则挖掘算法 |
| 3.3.1 Apriori算法 |
| 3.3.2 Apriori算法的改进算法 |
| 3.4 图像的灰度共生矩阵 |
| 3.4.1 灰度共生矩阵的基本原理 |
| 3.4.2 灰度共生矩阵的特征 |
| 3.5 基于肝脏CT图像灰度共生矩阵的关联规则挖掘方法 |
| 3.5.1 肝脏CT图像介绍 |
| 3.5.2 CT图像的特征分析 |
| 3.5.3 肝脏CT图像的关联规则挖掘过程 |
| 3.6 本章小结 |
| 第四章 粗糙集理论及其在医学领域中的应用 |
| 4.1 引言 |
| 4.2 粗糙集基础 |
| 4.2.1 近似空间 |
| 4.2.2 新型隶属关系 |
| 4.2.3 信息系统理论概述 |
| 4.2.4 属性约简 |
| 4.2.5 属性约简算法 |
| 4.2.6 规则的获取与简化 |
| 4.3 基于粗糙集理论的数据挖掘技术 |
| 4.4 基于粗糙集挖掘的脑瘤MRI影像分析过程 |
| 4.4.1 脑瘤MRI影像介绍 |
| 4.4.2 MRI影像数据预处理 |
| 4.4.3 脑瘤MRI影像的粗糙集布尔化挖掘过程 |
| 4.5 本章小结 |
| 第五章 数据挖掘在医学图像中的应用实验 |
| 5.1 引言 |
| 5.2 关联规则提取在肝脏CT图像中的应用 |
| 5.2.1 数据收集 |
| 5.2.2 CT图像的特征提取 |
| 5.2.3 CT图像的特征预处理 |
| 5.2.4 肝脏CT图像关联规则提取实验 |
| 5.3 粗糙集挖掘在脑瘤MRI影像中的应用 |
| 5.3.1 数据收集与介绍 |
| 5.3.2 数据预处理 |
| 5.3.3 基于粗糙集的脑部MRI影像规则挖掘 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 引言 |
| 6.2 研究工作总结 |
| 6.3 下一步研究工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参与的项目与获得的奖励 |
（9）基于Hadoop的医院数据中心系统设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究意义 |
| 1.4 研究内容 |
| 第2章 相关理论与技术 |
| 2.1 Hadoop |
| 2.1.1 简介 |
| 2.1.2 Hadoop的总体架构 |
| 2.2 HDFS |
| 2.2.1 简介 |
| 2.2.2 HDFS架构 |
| 2.2.3 HDFS的数据管理 |
| 2.3 MapReduce |
| 2.3.1 简介 |
| 2.3.2 MapReduce原理 |
| 2.4 HBase |
| 2.4.1 简介 |
| 2.4.2 HBase架构 |
| 2.4.3 HBase数据管理 |
| 2.5 Hive |
| 2.5.1 Hive简介 |
| 2.5.2 Hive的体系结构 |
| 2.5.3 Hive的数据存储 |
| 第3章 医院数据中心系统设计概述 |
| 3.1 系统开发概述 |
| 3.1.1 系统开发目标 |
| 3.1.2 系统开发的可行性研究 |
| 3.2 系统详细设计 |
| 3.2.1 总体设计 |
| 3.2.2 结构化数据存储设计 |
| 3.2.3 非结构化数据存储设计 |
| 3.2.4 机器学习平台设计 |
| 第4章 医院数据中心系统的实现 |
| 4.1 数据中心平台系统的构建 |
| 4.1.1 数据中心运行平台搭建 |
| 4.1.2 机器学习平台实现 |
| 4.2 结构化数据存储实现 |
| 4.2.1 结构化数据存储平台构建 |
| 4.2.2 结构化数据存储系统的实现 |
| 4.3 非结构化数据存储实现 |
| 4.3.1 非结构化数据存储平台构建 |
| 4.3.2 非结构化数据存储系统实现 |
| 第5章 总结展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者在硕士研究生期间的科研成果 |
（10）数据挖掘技术在卫生统计信息工作中的应用研究（论文提纲范文）
| 1 引言 |
| 2 数据挖掘概述 |
| 3 数据挖掘技术在卫生统计中的应用 |
| 3.1 基于数据挖掘技术的卫生统计服务政策完善和科学决策 |
| 3.2 基于数据挖掘技术的卫生统计推进医院管理现代化进程 |
| 3.3 基于数据挖掘技术的卫生统计助力疾病诊断治疗 |
| 4 数据挖掘技术在卫生信息化中的应用 |
| 4.1 数据挖掘技术在卫生信息管理系统中的广泛应用 |
| 4.2 数据挖掘技术在数字医学影像中的应用 |
| 5 总结与展望 |
四、数据挖掘在PACS系统中的应用（论文参考文献）
- [1]基于实时流处理的医学影像处理系统[D]. 翁小松. 华中科技大学, 2020(01)
- [2]基于卷积神经网络和Apriori算法的医疗数据挖掘研究[D]. 李霁雨. 河北工业大学, 2019(06)
- [3]某院全院级PACS系统设计与实现[D]. 唐庆伟. 电子科技大学, 2019(12)
- [4]数据挖掘在MES中的应用研究[D]. 刘露. 苏州大学, 2018(04)
- [5]DICOM本体的模糊语义扩展与智能查询技术研究[D]. 冯雪. 东北大学, 2017(10)
- [6]可视化数字病人关键技术与系统研究[D]. 施烈航. 中国科学院研究生院(上海技术物理研究所), 2016(11)
- [7]数据挖掘在速递物流业务中的应用[D]. 黄荣俊. 上海交通大学, 2016(01)
- [8]数据挖掘在医学领域中的应用[D]. 王逊. 电子科技大学, 2014(03)
- [9]基于Hadoop的医院数据中心系统设计与实现[D]. 张洪磊. 浙江大学, 2014(08)
- [10]数据挖掘技术在卫生统计信息工作中的应用研究[J]. 周光华,李岳峰. 中国卫生信息管理杂志, 2012(06)