医疗大数据智能分析云平台培训
课程介绍：
    本课程将使用影像数据、临床数据、检测报告、数据集成层、云端服务器、应用层等数据，详细介绍使用特征值类型及特征值类型结合进行：一阶统计量、形状特征量、纹理特征量、高斯-拉普拉斯算子特征量、小波变换特征量、平方根滤波特征量、对数滤波特征量，重测信度分析、主成分分析、相关性分析、聚类分析等分析方法，进行全方面系统化讲解；机器学习模型主要讲解SVM Logistic regression  kNN Decision Tree  Random Forest  XGBoost 。

课程大纲

一、课程内容：

大数据平台整体框架

1、数据来源
影像数据：包括DR、CT、MR、PET等；一 般为DICOM标准格式；结构图像和功能图像；
临床数据：包括电子病例、体检报告、随访 报告等；一般为非结构化数据；种类繁多，数据量大； 
检测报告，包括病理检测、分子检测和遗传 检测；结构化和非结构化数据；图片和文字 报告；快速发展中 
2、数据集成层
根据客户需求，实现对不同厂商的PACS/HIS/LIS/RIS/EMR的对接，或者使用Uploader上传无接口数据；实现高速、无损、安全、低费传输 
3、云端服务器
计算服务器，使用Docker/GPU等新的大数据处理服务器；实现数 据检索、分析和统计；使用云计算、机器学习、自然语义分析等大数据处理技术 
存储服务器，根据客户需求，定制公有云/私有云/混合云；结构化数据使用MySQL,非结构 话数据使用Hadoop/MongoDB；实现分布式存储，弹性分配存储空间 
4、应用层 
日报/月报/年报  院内医疗信息云检索  课题管理云平台  脑功能分析云平台  
影像组学云平台 脑梗/脑肿瘤智能分割  胸片智能诊断

特征值类型

1、一阶统计量 
• First Order Statistics，共19个，描述感兴趣区内的强度信息 
• 包括mean, standard deviation, variance, maximum, median, range, kurtosis 等 
2、形状特征量
• Shape, 共13个，描述感兴趣区的形状和大小特征 
• 包括volume, surface area, compactness, 2D/3D maximum diameter, flatness等  
3、纹理特征量
• Texture, 共60个，描述感兴趣区内像素间关系，即图像的纹理信息
• 包括28个Gray Level Co-occurrence Matrix (GLCM)，16个Gray Level Size Zone Matrix (GLSZM)，16个Gray Level Run Length Matrix (GLRLM)  
4、高斯-拉普拉斯算子特征量 
• Laplacian of Gaussian (LoG)，共158个 
• 先用高斯函数对图像进行平滑降噪，然后用拉普拉斯算子进行梯度运算，提取变换 后的图像特征值
5、小波变换特征量
• Wavelet Transform, 共632个 
• 将图像信号分解成一系列小波函数的叠加，主要用于图像不同频域信息的特征提取
6、平方根滤波特征量
• Square root filter, 共79个 
• 将图像进行平方根滤波后计算其一阶统计量和纹理特征量 
7、对数滤波特征量
• Logarithm filter, 共79个 
• 将图像进行对数滤波后计算其一阶统计量和纹理特征量

特征值分析：降低数据维度的方法

1、重测信度分析
• test-retest reliability 
• 用来测试特征值的稳定性和一致性 
• 对同一组被试进行两次测量，然后得到结果的相关系数，相关程度高，
  表示前后测量一致性高，稳定性好 
2、主成分分析
• Principal Component Analysis (PCA) analysis 
• 通过正交变换，将可能存在的相关性变量转换为线性不相关变量，
  转换后的这 组变量叫做主成分 
• 根据累计贡献率的大小提取前几个大的主成分，既保留了原始的大部分信息，
  又达到降维的目的 
3、相关性分析
• Correlation analysis 
• 对变量的相关性进行分析，从而衡量变量之间的相关程度
• 保留相关性较弱的变量 
4、聚类分析
• Clustering analysis 
• 将变量按照相似程度划分类型，使得同类变量之间的相似性比其他的更强