馬昕睿 熱娜古麗?艾合麥提尼亞孜 米吾爾依提?海拉提 嚴(yán)傳波

摘? 要：肝包蟲病是牧區(qū)常見的人畜共患寄生蟲病，醫(yī)療資源匱乏和醫(yī)生經(jīng)驗(yàn)不足等原因往往會影響疾病的早期篩查和診斷。為了實(shí)現(xiàn)肝包蟲病病灶的精確診斷，文章結(jié)合Vue的前端技術(shù)開發(fā)了肝包蟲病醫(yī)學(xué)影像判讀仿真平臺，可輔助臨床醫(yī)生進(jìn)行影像學(xué)診斷。該平臺提供圖像采集預(yù)處理、圖像分割、圖像分類和文本報(bào)告等模塊，向?qū)W生展示有別于傳統(tǒng)方法的計(jì)算機(jī)輔助診斷流程，讓學(xué)生深刻理解深度學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的應(yīng)用流程，從而提升學(xué)生解決實(shí)際問題的能力。另外，以人工智能輔助肝包蟲病早期篩查為例，為醫(yī)學(xué)圖像處理實(shí)驗(yàn)教學(xué)提供了新模式、新途徑。

關(guān)鍵詞：肝包蟲??；人工智能；自動(dòng)檢測；醫(yī)學(xué)影像判讀；遠(yuǎn)程教學(xué)

中圖分類號：TP311? 文獻(xiàn)標(biāo)識碼：A? 文章編號：2096-4706（2023）17-0001-07

Research on the Construction of Ultrasound Image Interpretation Platform for Hepatic Hydatid Disease Based on Artificial Intelligence

MA Xinrui1， Renaguli·Aihemaitiniyazi2， Miwueryiti·Hailati2， YAN Chuanbo1

（1.School of Medical Engineering Technology， Xinjiang Medical University， Urumqi? 830017， China;

2.School of Public Health， Xinjiang Medical University， Urumqi? 830017， China）

Abstract： Hepatic hydatid disease is a common zoonotic parasitic disease in pastoral areas. Lack of medical resources and lack of doctor experience often affect the early screening and diagnosis of the disease. In order to realize the accurate diagnosis of hepatic hydatid disease， this paper develops a simulation platform for medical imaging interpretation of hepatic hydatid disease based on Vue's front-end technology， which can assist clinicians in imaging diagnosis. This platform provides modules such as image acquisition preprocessing， image segmentation， image classification， and text reporting， showcasing computer-aided diagnostic processes that are different from traditional methods to students， enabling them to deeply understand the application process of deep learning in the medical field， thereby enhancing their ability to solve practical problems. In addition， taking artificial intelligence assisted early screening of hepatic hydatid disease as an example， it provides a new mode and approach for medical image processing experimental teaching.

Keywords： hepatic hydatid disease; artificial intelligence; automatic detection; medical image interpretation; distance teaching

0? 引? 言

包蟲病是棘球蚴病的俗稱，是由細(xì)粒棘球絳蟲的幼蟲-棘球蚴寄生于人體所導(dǎo)致的一種寄生蟲病[1，2]。肝包蟲病就是棘球蚴寄生在人體肝臟所致，這是一種常見的人畜共患寄生蟲病。世界衛(wèi)生組織（World Health Organization， WHO）提供的數(shù)據(jù)顯示，未進(jìn)行治療的肝包蟲病患者在10年內(nèi)死亡的概率高達(dá)94%[3]，在給病人及其家庭造成巨大的痛苦和經(jīng)濟(jì)負(fù)擔(dān)的同時(shí)，也是造成西部地區(qū)農(nóng)民因病致貧、因病返貧的重要原因[4]，所以被稱作“蟲癌”。肝包蟲病主要發(fā)生在中西部欠發(fā)達(dá)畜牧地區(qū)，超聲因其便捷、費(fèi)用低等特點(diǎn)而成為肝包蟲病患者早期篩查和發(fā)現(xiàn)的重要檢測方法之一[5]。近年來，隨著超聲設(shè)備的普及和優(yōu)化，醫(yī)院超聲檢查的任務(wù)越來越繁重，因此構(gòu)建肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺勢在必行，該平臺的構(gòu)建對助力醫(yī)護(hù)人員對肝包蟲病患者進(jìn)行快速而準(zhǔn)確的病情評估具有舉足輕重的作用。

隨著5G互聯(lián)網(wǎng)技術(shù)的日趨成熟，現(xiàn)代化遠(yuǎn)程教育大大豐富了當(dāng)前較為單一的學(xué)習(xí)方式，但在具體的實(shí)行過程中還需要進(jìn)一步提高對現(xiàn)有教學(xué)資源的有效利用，并對相關(guān)的系統(tǒng)設(shè)計(jì)環(huán)節(jié)進(jìn)行優(yōu)化。針對這一問題，張凌等[6]以SQLServer為數(shù)據(jù)庫服務(wù)器設(shè)計(jì)軟件功能，提出了基于人工智能網(wǎng)絡(luò)的遠(yuǎn)程教學(xué)系統(tǒng)設(shè)計(jì)，結(jié)合網(wǎng)絡(luò)技術(shù)進(jìn)行數(shù)據(jù)在線評估完成遠(yuǎn)程教學(xué)。胡翔等[7]針對現(xiàn)有高數(shù)遠(yuǎn)程教學(xué)系統(tǒng)缺乏對不同學(xué)生狀況的詳細(xì)分析，很難為學(xué)生提供個(gè)性化輔導(dǎo)的問題，提出基于層次化模型的高等數(shù)學(xué)遠(yuǎn)程教學(xué)系統(tǒng)的設(shè)計(jì)，該系統(tǒng)對學(xué)生學(xué)習(xí)行為的預(yù)測有著更高的精度。王箏等[8]基于三甲醫(yī)院專業(yè)資源優(yōu)勢，利用高清視頻PACS等技術(shù)對基層醫(yī)院影像科醫(yī)師進(jìn)行同步遠(yuǎn)程教學(xué)，提升了基層醫(yī)院醫(yī)師的專業(yè)診斷水平，節(jié)省了專家資源，降低了人才培養(yǎng)成本。周詩堯等[9]設(shè)計(jì)基于B/S架構(gòu)的Web應(yīng)用系統(tǒng)，將傳統(tǒng)的藝術(shù)設(shè)計(jì)文化與現(xiàn)代計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)相結(jié)合，形成一個(gè)功能完善的藝術(shù)設(shè)計(jì)課程遠(yuǎn)程教學(xué)系統(tǒng)，確保了系統(tǒng)的可靠性和信息安全性，實(shí)現(xiàn)了藝術(shù)課程遠(yuǎn)程教學(xué)的整體規(guī)劃。胡舒予等[10]采用Dreamweaver內(nèi)置支持ASP.NET的整合式設(shè)計(jì)環(huán)境，完成ASP.NET數(shù)據(jù)庫動(dòng)態(tài)網(wǎng)頁的設(shè)計(jì)工作，以此開發(fā)了以信息技術(shù)為基礎(chǔ)的遠(yuǎn)程教育系統(tǒng)。陳萬順等[11]分析了使用HTML的傳統(tǒng)基于Web的遠(yuǎn)程教學(xué)系統(tǒng)存在的問題，采用以XML技術(shù)構(gòu)建的系統(tǒng)模型在遠(yuǎn)程教學(xué)系統(tǒng)描述的標(biāo)準(zhǔn)化、顯示方式、均衡網(wǎng)絡(luò)負(fù)載以及減少網(wǎng)絡(luò)數(shù)據(jù)流量等方面提出優(yōu)化方案。張鵬等[12]為了提升學(xué)生的檢驗(yàn)操作能力，提高其形態(tài)學(xué)知識的掌握程度，通過基于醫(yī)學(xué)檢驗(yàn)虛擬實(shí)驗(yàn)室開發(fā)的形態(tài)學(xué)圖片庫的建立和應(yīng)用，對實(shí)踐教學(xué)進(jìn)行了探索性的改革，取得了較好的教學(xué)效果。在國外，F(xiàn)risoni等[13]提出通過普通Web瀏覽器訪問虛擬實(shí)驗(yàn)室以為神經(jīng)科學(xué)家提供一系列服務(wù)，用以可視化圖像數(shù)據(jù)集及臨床相關(guān)變量。Asension等[14]介紹了根據(jù)國際標(biāo)準(zhǔn)實(shí)施教育虛擬實(shí)驗(yàn)室進(jìn)行聲學(xué)測試實(shí)踐培訓(xùn)的方法和案例研究，該實(shí)驗(yàn)不會專注于真實(shí)聲學(xué)設(shè)備的處理和設(shè)置，而是使學(xué)生從中理解測量中不確定度的概念和聲學(xué)中不確定度的計(jì)算。Hardisty等[15]提出了BioVel生物多樣性科學(xué)、生態(tài)學(xué)數(shù)據(jù)分析和虛擬實(shí)驗(yàn)室建模，可以實(shí)現(xiàn)互聯(lián)網(wǎng)訪問（涉及個(gè)性化的網(wǎng)絡(luò)服務(wù)和數(shù)據(jù)分析功能），可通過R語言進(jìn)行復(fù)雜的分析，從而滿足生物多態(tài)性科學(xué)和生態(tài)學(xué)數(shù)據(jù)處理分析的新需求。綜上，虛擬實(shí)驗(yàn)技術(shù)可在一定程度上激發(fā)學(xué)生的學(xué)習(xí)興趣和探究精神。

肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺通過與圖像處理服務(wù)器、肝包蟲醫(yī)學(xué)影像數(shù)據(jù)庫服務(wù)器和前端應(yīng)用服務(wù)器的連接，可以實(shí)現(xiàn)對肝包蟲病超聲圖像數(shù)據(jù)的管理和自動(dòng)標(biāo)注，后臺應(yīng)用人工智能分類與識別技術(shù)對醫(yī)學(xué)影像進(jìn)行仿真智能判讀，實(shí)現(xiàn)肝包蟲病病灶的自動(dòng)分類與識別，從而提高肝包蟲病的診斷準(zhǔn)確率，這對牧區(qū)肝包蟲病的早期篩查和防治具有重要意義。此外，隨著教育事業(yè)的快速發(fā)展，教育教學(xué)系統(tǒng)及相應(yīng)的配套軟件也越來越完善，智能教學(xué)逐漸成為教育技術(shù)研究的重點(diǎn)。本次研究提出基于計(jì)算機(jī)技術(shù)的肝包蟲影像人工智能判讀虛擬仿真實(shí)驗(yàn)平臺的設(shè)計(jì)方案，并以人工智能輔助診斷肝包蟲病為例，用實(shí)例驗(yàn)證了圖像處理技術(shù)遠(yuǎn)程教學(xué)的成功實(shí)現(xiàn)，提高了學(xué)生的學(xué)習(xí)興趣及其解決實(shí)際問題的能力。

1? 平臺實(shí)現(xiàn)

本文肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺采用B/S模式軟件系統(tǒng)架構(gòu)，前后端分離開發(fā)，業(yè)務(wù)主要集中在服務(wù)端，客戶端采用World Wide Web（Web）瀏覽器。Browser/Serve Architecture（B/S）對網(wǎng)絡(luò)硬件環(huán)境要求較低，適用范圍較廣[16]。醫(yī)學(xué)圖像人工智能判讀和檢測識別服務(wù)器功能模塊圖如圖1所示。

1.1? 前端構(gòu)建

肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺前端采用Vue編寫。Vue是用于構(gòu)建用戶界面的漸進(jìn)式框架，Vue的核心庫可以使用戶在項(xiàng)目開發(fā)時(shí)只關(guān)注界面構(gòu)成和業(yè)務(wù)邏輯，不僅易于開發(fā)，還便于與第三方庫或既有項(xiàng)目整合。Vue架構(gòu)屬于輕量級框架，Application Programing Interface（API）設(shè)計(jì)簡單易懂，易于理解和學(xué)習(xí)，項(xiàng)目視圖、數(shù)據(jù)及結(jié)構(gòu)相互分離使編程更為簡單。

1.2? 后端構(gòu)建

肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺采用Springboot框架開發(fā)。Springboot是基于Spring的框架，在繼承Spring優(yōu)點(diǎn)的基礎(chǔ)上改進(jìn)了所存在的不足。Springboot架構(gòu)保留了Spring框架的核心，簡化了Spring的配置，將開發(fā)注意力集中于業(yè)務(wù)邏輯，兼容性強(qiáng)，大大提高了項(xiàng)目開發(fā)和部署的效率。

2? 平臺開發(fā)

2.1? 界面設(shè)計(jì)

采用Vue開發(fā)設(shè)計(jì)網(wǎng)頁的界面，將整個(gè)頁面分為三個(gè)區(qū)域：左側(cè)菜單欄區(qū)域、頂部菜單欄區(qū)域和內(nèi)容區(qū)域。后臺管理平臺主界面如圖2所示。

2.2? 數(shù)據(jù)庫設(shè)計(jì)

采用MySQL作為后臺數(shù)據(jù)庫服務(wù)器，創(chuàng)建醫(yī)學(xué)影像數(shù)據(jù)庫，采集和存儲肝包蟲病超聲影像和經(jīng)標(biāo)注的超聲影像。數(shù)據(jù)庫中包含多張表，其中有3張主要表，Consumer用于存儲普通用戶的信息，Hepatic Hydatid Cystimg用于存儲肝包蟲超聲影像圖，Hepatic Hydatid Cystimg Mark用于存儲已標(biāo)注好的肝包蟲影像圖。這三張表的結(jié)構(gòu)如表1、表2、表3所示。

除這三個(gè)主要的數(shù)據(jù)表，還有若干個(gè)輔助表，如role角色表、role_permission角色權(quán)限表、permission權(quán)限表、user_role用戶角色表等。

3? 平臺功能

3.1? 圖像ROI選擇

圖像ROI提取技術(shù)是圖像處理領(lǐng)域的研究熱點(diǎn)之一，廣泛應(yīng)用于壓縮編碼、圖像檢索、醫(yī)學(xué)圖像分析、目標(biāo)檢測等領(lǐng)域，而醫(yī)學(xué)病理圖像在壓縮過程中既要保證細(xì)胞區(qū)域的壓縮質(zhì)量又要提高整體圖像的壓縮效率[17]。若細(xì)胞區(qū)域的碼率分配較少，會在很大程度上損害圖像質(zhì)量，影響診斷結(jié)果。若背景區(qū)域的碼率分配較多，則會增加存儲代價(jià)，基于ROI的醫(yī)學(xué)病理圖像編碼方法。 郭琪提出在宏觀上可以分為空間冗余方面的編碼性能提升和時(shí)間冗余方面的編碼性能提升。以空間冗余方面的編碼性能提升為例，在對圖像進(jìn)行壓縮時(shí)，可以為圖像中的感興趣區(qū)域（ROI）分配較多的碼率，為圖像中的非感興趣區(qū)域（UROI）分配較少的碼率，從而提高編碼效率[18]。進(jìn)入圖像ROI選擇頁面，選擇右側(cè)需要處理的圖像，在左側(cè)圖像右上角點(diǎn)擊“選擇ROI”按鈕，拖動(dòng)鼠標(biāo)選擇圖像中的感興趣區(qū)域。點(diǎn)選“重置ROI”按鈕，取消感興趣區(qū)域的選擇，如圖3所示。

3.2? 圖像預(yù)處理

醫(yī)學(xué)圖像預(yù)處理是醫(yī)學(xué)影像分析中較為重要的前置工作，超聲圖像區(qū)存在許多與病灶無關(guān)的信息（如文字、標(biāo)記等），需要對圖像進(jìn)行預(yù)處理，去除圖像中與病灶無關(guān)的信息，消除圖像中存在的噪聲，提高圖像的分辨率，為圖像的進(jìn)一步操作（如特征提取、病灶分割、疾病分類操作等）奠定基礎(chǔ)[19-22]。預(yù)處理過程一般包含數(shù)字化、幾何變換、歸一化、平滑、復(fù)原和增強(qiáng)等步驟。本項(xiàng)目的圖像預(yù)處理過程包含尺寸歸一化、圖像增強(qiáng)、閾值處理等操作，如圖4所示。

3.3? 圖像特征提取

醫(yī)學(xué)圖像特征提取是醫(yī)學(xué)影像處理中的一項(xiàng)重要技術(shù)，同時(shí)也是圖像目標(biāo)檢測與分類識別過程中不可或缺的步驟。隨著醫(yī)學(xué)圖像數(shù)據(jù)量的不斷增加，如何從這些浩繁的醫(yī)學(xué)圖像中提取有效的特征，這對于一個(gè)精準(zhǔn)、高效的診斷系統(tǒng)來說至關(guān)重要。醫(yī)學(xué)圖像是一種數(shù)字圖像，分辨率較高，灰度級較大。圖像分辨率越高，圖像維度越大，圖像所含的信息量也越多，相應(yīng)地，圖像病灶目標(biāo)檢測與分類識別的計(jì)算量就更大，時(shí)空花銷更多。通常，需要對圖像數(shù)據(jù)進(jìn)行降維，減少計(jì)算量，降低計(jì)算機(jī)時(shí)空消耗，這對提高圖像病灶目標(biāo)檢測與分類識別的效率具有重要意義[23，24]。

圖像常用的特征包括顏色特征、紋理特征、形狀特征等，傳統(tǒng)的特征提取方法主要包括基于像素的特征提取、基于形態(tài)學(xué)的特征提取和基于紋理的特征提取等[25]。其中，像素級的特征提取方法比較簡單，通常只需借助閾值分割、邊緣檢測等方法即可；形態(tài)學(xué)特征提取方法主要是針對二值圖像，基于形態(tài)學(xué)運(yùn)算從圖像中提取出形狀和空間特征；紋理特征提取方法則可以分為基于統(tǒng)計(jì)學(xué)的方法和基于深度學(xué)習(xí)的方法兩類。在醫(yī)學(xué)影像診斷中，常見的特征提取方法包括：

1）基于像素的特征提取方法。包括二值化、邊緣檢測、Sobel、Canny等。

2）基于形態(tài)學(xué)的特征提取方法。包括腐蝕、膨脹、開運(yùn)算、閉運(yùn)算等。

3）基于紋理的特征提取方法。包括灰度共生矩陣（GLCM）、灰度運(yùn)動(dòng)圖（GLDM）、灰度尺度共振（Gabor）、局部二值模式（LBP）等。

4）基于深度學(xué)習(xí)的特征提取方法。包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、生成對抗網(wǎng)絡(luò)（GAN）等。需要注意的是，進(jìn)行醫(yī)學(xué)圖像特征提取時(shí)需要考慮到對特定目標(biāo)的診斷需要提取什么類型的特征，同時(shí)還需要針對不同的器官、不同的影像模態(tài)、不同的分辨率進(jìn)行相應(yīng)的特征提取方法選擇。

肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺可以提取圖像的Hu形狀特征、LBP紋理特征、小波紋理特征和顏色特征等傳統(tǒng)圖像特征。在仿真平臺中選擇圖像特征提取頁面，選擇需要提取特征的目標(biāo)圖像，在頁面中點(diǎn)擊選擇需要提取的特征類型，點(diǎn)擊頁面中的“顯示特征”按鈕，相應(yīng)類型的圖像特征向量則會顯示在頁面的指定位置。如圖5所示為提取圖像的Hu形狀特征。

3.4? 圖像病灶檢測分割

醫(yī)學(xué)圖像分割是指將醫(yī)學(xué)圖像中的目標(biāo)區(qū)域從圖像中分離出來，通常是一個(gè)像素級的分類任務(wù)。醫(yī)學(xué)圖像分割在醫(yī)學(xué)影像領(lǐng)域有著重要的應(yīng)用，例如醫(yī)學(xué)圖像分割用于診斷和治療支持。而本平臺圖像分割是將目標(biāo)圖像分割成若干個(gè)具有獨(dú)特性質(zhì)的病灶感興趣區(qū)，為后續(xù)的圖像病灶判讀奠定良好的基礎(chǔ)[26]。

在本研究所構(gòu)建的仿真平臺中，利用Faster-RCNN、Yolo、U-net、V-net等卷積神經(jīng)網(wǎng)絡(luò)對超聲影像圖上的病灶進(jìn)行目標(biāo)檢測和病灶分類。在已識別病灶的超聲圖像基礎(chǔ)上，利用U-net、SegNet等網(wǎng)絡(luò)對病灶進(jìn)行精確分割。選擇圖像病灶檢測分割頁面，選擇需要提取病灶的目標(biāo)圖像，依次點(diǎn)擊頁面中的“提取病灶”按鈕、“顯示病灶區(qū)域”按鈕，則會用紅色方框標(biāo)記出具有代表性的病灶感興趣區(qū)，如圖6所示。

3.5? 圖像病灶判讀

醫(yī)學(xué)圖像判讀是醫(yī)學(xué)影像診斷的核心環(huán)節(jié)之一，同時(shí)也是最后一個(gè)環(huán)節(jié)，是根據(jù)醫(yī)學(xué)圖像中的形態(tài)、結(jié)構(gòu)、密度、血流動(dòng)態(tài)等特征來判斷是否存在異常、疾病或損傷的過程。醫(yī)學(xué)圖像判讀是醫(yī)生臨床診斷中所需用到的一種關(guān)鍵手段[27-29]。在醫(yī)學(xué)圖像上識別病灶以及對肝包蟲病病灶進(jìn)行分類有助于醫(yī)生對患者的病情做以準(zhǔn)確把握和預(yù)后精準(zhǔn)評估。肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺采用深度學(xué)習(xí)架構(gòu)，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)分類模型，實(shí)現(xiàn)基于人工智能技術(shù)的肝包蟲病灶智能判斷分類。在仿真平臺中選擇圖像病灶判讀頁面，選擇需要進(jìn)行判讀分類的目標(biāo)圖像，分別點(diǎn)擊頁面中的“圖像智能判讀分類”按鈕、“顯示智能判讀分類結(jié)果”按鈕，則會顯示目標(biāo)圖像病灶智能分型結(jié)果概率分布，并且根據(jù)病灶所屬各類型的概率大小顯示肝包蟲病的病灶分型結(jié)果，如圖7所示。目前肝包蟲病醫(yī)學(xué)影像人工智能判讀虛擬仿真平臺對圖像病灶智能判讀分類的準(zhǔn)確率可達(dá)89%。

3.6? 遠(yuǎn)程教學(xué)功能

遠(yuǎn)程教學(xué)是借助互聯(lián)網(wǎng)和其他數(shù)字技術(shù)實(shí)現(xiàn)遠(yuǎn)程教育和學(xué)習(xí)的一種教學(xué)方式。在遠(yuǎn)程教學(xué)中，學(xué)生和教師位于不同的地理位置，通過網(wǎng)絡(luò)進(jìn)行在線互動(dòng)、交流和學(xué)習(xí)。遠(yuǎn)程教學(xué)的優(yōu)點(diǎn)包括靈活性高、方便快捷、節(jié)省時(shí)間和成本等，但同時(shí)也存在網(wǎng)絡(luò)穩(wěn)定性、交互性等方面的挑戰(zhàn)。遠(yuǎn)望未來，隨著數(shù)字技術(shù)的不斷發(fā)展，遠(yuǎn)程教學(xué)將成為愈發(fā)重要的教育方式之一。本平臺的遠(yuǎn)程教學(xué)旨在讓學(xué)生訪問該平臺，通過教師上傳的教學(xué)課件和教學(xué)視頻進(jìn)行學(xué)習(xí)，如果學(xué)生在學(xué)習(xí)中遇到這樣那樣的問題可以及時(shí)與老師交流。

4? 結(jié)? 論

目前，肝包蟲在新疆依然是危害較嚴(yán)重的地方病之一。對肝包蟲病的早期發(fā)現(xiàn)、早期防治、醫(yī)學(xué)影像病灶檢測以及臨床診斷會消耗大量的人力和財(cái)力，本平臺可以輔助醫(yī)生進(jìn)行病灶的識別及檢測，大大減少了人力財(cái)力的消耗，使得肝包蟲病的診斷效率大大提高。該平臺可以通過電腦端登錄使用，以此實(shí)現(xiàn)肝包蟲超聲圖像數(shù)據(jù)的采集、標(biāo)注，實(shí)現(xiàn)病灶的智能分類與檢測識別，能夠輔助醫(yī)生對肝包蟲病進(jìn)行診斷，為肝包蟲病的臨床治療提供合適的治療方案，在未來，還將從以下兩個(gè)方面來完善該平臺：

1）開發(fā)移動(dòng)端APP，用戶可通過手機(jī)登錄平臺，進(jìn)行病灶上傳和識別檢測，并推送平臺提供的肝包蟲診療建議，以使那些隨季節(jié)不斷遷徙的牧民在手機(jī)端即可清楚了解自己的身體情況，及時(shí)接收治療建議，平臺使用起來更加便捷高效。

2）不定時(shí)對數(shù)據(jù)庫進(jìn)行維護(hù)和擴(kuò)展，對平臺進(jìn)行系統(tǒng)完善，并面向社會做以推廣，提高廣大群眾對肝包蟲病防治知識的認(rèn)知，進(jìn)一步提高全社會的肝包蟲病防治水平。

參考文獻(xiàn)：

[1] 南嘉格列，李銳，王海霞，等.基于深度學(xué)習(xí)的肝包蟲病超聲圖像分型研究 [J].深圳大學(xué)學(xué)報(bào)：理工版，2019，36（6）：702-708.

[2] 戴婷，王輝.超聲診斷肝包蟲病1例及誤診原因分析 [J].中國實(shí)驗(yàn)診斷學(xué)，2021，25（10）：1551-1552.

[3] 沈舒.泡型肝包蟲病診療專家共識：2020版 [J].中國普外基礎(chǔ)與臨床雜志，2020，27（1）：13-17.

[4] 肝兩型包蟲病診斷與治療專家共識：2019版 [J].中華消化外科雜志，2019（8）：711-721.

[5] 齊寶文，張夢琪，張利，等.超聲與CT診斷單囊型肝囊性包蟲病的價(jià)值 [J].醫(yī)學(xué)理論與實(shí)踐，2022，35（6）：916-919.

[6] 張凌.基于人工智能網(wǎng)絡(luò)的遠(yuǎn)程教學(xué)系統(tǒng)設(shè)計(jì) [J].現(xiàn)代電子技術(shù)，2021，44（2）：131-134.

[7] 胡翔.基于層次化模型的高等數(shù)學(xué)遠(yuǎn)程教學(xué)系統(tǒng)設(shè)計(jì) [J].計(jì)算機(jī)產(chǎn)品與流通，2019（12）：182.

[8] 王箏，劉穎，袁慧書，等.融合PACS的遠(yuǎn)程影像教學(xué)系統(tǒng)在影像科室間的應(yīng)用 [J].中國醫(yī)學(xué)教育技術(shù)，2017，31（1）：44-47.

[9] 周詩堯.基于B/S構(gòu)架的藝術(shù)設(shè)計(jì)遠(yuǎn)程教學(xué)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) [D].成都：電子科技大學(xué)，2016.

[10] 胡舒予，黃明.基于Dreamweaver內(nèi)置支持ASP.NET的遠(yuǎn)程教學(xué)系統(tǒng) [J].文理導(dǎo)航（下旬），2015（6）：13.

[11] 陳萬順，許斗.用XML技術(shù)優(yōu)化基于Web的遠(yuǎn)程教學(xué)系統(tǒng) [J].巢湖學(xué)院學(xué)報(bào)，2012，14（6）：147-150+155.

[12] 張鵬，程龍，柳發(fā)虎，等.基于醫(yī)學(xué)檢驗(yàn)虛擬實(shí)驗(yàn)室開發(fā)的形態(tài)學(xué)圖片庫的建設(shè)與應(yīng)用 [J].檢驗(yàn)醫(yī)學(xué)與臨床，2021，18（6）：856-858.

[13] FRISONI G B，REDOLFI A，MANSET D，et al. Virtual imaging laboratories for marker discovery in neurodegenerative diseases [J].Nature Reviews Neurology，2011，7（8）：429-438.

[14] ASENSIO C，GASCO L，RUIZ M，et al. Implementation of a virtual laboratory for training on sound insulation testing and uncertainty calculations in acoustic tests [J].Journal of the Acoustical Society of America，2015，137（2）：1012-1020.

[15] HARDISTY A R，BACALL F，BEARD N，et al. BioVeL： A virtual laboratory for data analysis and modelling in biodiversity science and ecology [J/OL].BMC Ecology，2016[2023-03-20].https：//bmcecol.biomedcentral.com/articles/10.1186/s12898-016-0103-y#citeas.

[16] 劉曉嬌，朱玉婷，李瑞瑤，等.基于移動(dòng)互聯(lián)網(wǎng)技術(shù)的醫(yī)療質(zhì)控平臺構(gòu)建 [J].醫(yī)學(xué)信息學(xué)雜志，2023，44（2）：79-83.

[17] 李小菁.基于機(jī)器視覺的小型零件尺寸測量系統(tǒng) [J].自動(dòng)化與信息工程，2023，44（2）：11-15.

[18] 郭琪.醫(yī)學(xué)病理圖像的ROI提取與壓縮算法研究 [D].西安：西安工業(yè)大學(xué)，2021.

[19] 蒯曉，丁飛，張登銀.多分支融合注意力機(jī)制的車道線檢測模型 [J].電子測量與儀器學(xué)報(bào)，2023，37（4）：35-43.

[20] 董妮，張淑娟，魏秀丹，等.探討超聲造影對泡型肝包蟲病與肝血管瘤的診斷價(jià)值 [J].中國現(xiàn)代藥物應(yīng)用，2022，16（3）：116-118.

[21] 白鈺杰，裴以建，朱秀軍.基于改進(jìn)YOLOv4模型的乳腺鉬靶圖像腫塊檢測 [J].計(jì)算機(jī)工程與科學(xué)，2023，45（4）：654-664.

[22] 艾斯卡爾江·霍加，迪麗阿熱姆·艾海提，薩拉木·米吉提，等.磁共振平掃及增強(qiáng)掃描對肝包蟲病診斷價(jià)值 [J].現(xiàn)代醫(yī)用影像學(xué)，2022，31（1）：133-134+139.

[23] 李基臣，亓玉龍，胡海瑞，等.數(shù)字圖像處理技術(shù)在醫(yī)學(xué)影像中的研究與應(yīng)用 [J].電子技術(shù)與軟件工程，2022，227（9）：194-197.

[24] 德欽，胡青青，劉小林.超聲結(jié)合CT影像學(xué)特征在囊型肝包蟲病中的臨床應(yīng)用價(jià)值分析 [J].中國CT和MRI雜志，2021，19（10）：110-111+129.

[25] 朱文莉，李寶新，張穿洋，等.肝包蟲病與肝囊腫CT表現(xiàn)比較 [J].實(shí)用肝臟病雜志，2021，24（4）：577-580.

[26] 李增輝，王偉.基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法研究進(jìn)展 [J/OL].電子科技，2022：1-10[2023-04-14].https：//doi.org/10.16180/j.cnki.issn1007-7820.2024.01.011.

[27] 向智霆，劉劍聰，魏柳，等.基于全局特征U-net的胰腺圖像分割 [J].重慶郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2022，34（2）：216-222.

[28] 劉文亞，蔣奕，王健.肝包蟲病影像學(xué)診斷專家共識 [J].臨床肝膽病雜志，2021，37（4）：792-797.

[29] 孫欣樂，崔勇，翟彤彤，等.移動(dòng)醫(yī)學(xué)影像的現(xiàn)狀與未來 [J].磁共振成像，2022，13（12）：163-170.

作者簡介：馬昕睿（2001—），男，漢族，山西忻州人，本科在讀，研究方向：醫(yī)學(xué)圖像處理；熱娜古麗·艾合麥提尼亞孜（1997—），女，維吾爾族，新疆和田人，碩士研究生在讀，研究方向：醫(yī)學(xué)圖像處理；米吾爾依提·海拉提（1996—），女，哈薩克族，新疆阿勒泰人，碩士研究生在讀，研究方向：醫(yī)學(xué)圖像處理；嚴(yán)傳波（1970—），男，漢族，新疆烏魯木齊人，教授，碩士，研究方向：生物信息處理、數(shù)據(jù)庫應(yīng)用。