深度學習在醫(yī)學圖像中的應用

定　價：￥98.00

作　者：	鄭光遠
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121446733	出版時間：	2022-12-01	包裝：	平塑勒
開本：		頁數：		字數：

內容簡介

　　醫(yī)學圖像分析已是當前醫(yī)學研究、診斷和治療中必不可少的技術手段。醫(yī)學圖像中含有重要的生理、病理信息等知識，但由于圖像中的信息量大、維度高，這些信息在醫(yī)學圖像中表現(xiàn)復雜，所以挖掘難度很大。盡管從二十世紀五六十年代起，學者專家都在嘗試用計算機輔助手段從中挖掘有價值的診斷信息，但效果一直不理想，直到近幾年，隨著機器學習算法陸續(xù)取得重要進展，人類步入深度學習時代，醫(yī)學圖像輔助檢測與診斷技術才有了較大進步。本書內容由淺入深，從易到難，各章節(jié)既相對獨立，又前后關聯(lián)。既適合對醫(yī)學圖像分析有興趣的愛好者作為入門讀物，以了解本領域背景和基礎知識，也能為計算機醫(yī)學圖像分析研究領域的學者帶來創(chuàng)新思路。

作者簡介

　　鄭光遠，男，1976年3月出生于河南商丘，2020年畢業(yè)于北京理工大學，獲工學博士學位?，F(xiàn)于上海建橋學院任教，副教授。參編有《可視化編程應用》、《全國計算機等級考試系列教程. 三級網絡技術》等書，在《軟件學報》和SCI期刊上發(fā)表多篇文章。曾擔任《計算機學報》、《電訊技術》期刊和《IEEE Access》、《Wireless Communications and Mobile Computing》等SCI期刊的審稿人?，F(xiàn)主要研究方向是機器學習、計算機視覺、醫(yī)學圖像分析等。

圖書目錄

基礎篇醫(yī)學圖像計算機輔助檢測與診斷、
深度學習算法基礎知識
緒論 003
第1章醫(yī)學圖像計算機輔助檢測/診斷（CAD）系統(tǒng) 007
1.1 醫(yī)學圖像CAD系統(tǒng)概述 007
1.2 不同部位醫(yī)學圖像CAD系統(tǒng)分述 009
1.2.1 基于胸部X線片的肺結節(jié)CAD系統(tǒng) 009
1.2.2 基于CT圖像的肺部CAD系統(tǒng) 011
1.2.3 乳腺醫(yī)學圖像CAD系統(tǒng) 018
1.2.4 結直腸醫(yī)學圖像CAD系統(tǒng) 029
1.2.5 前列腺醫(yī)學圖像CAD系統(tǒng) 034
1.2.6 其他前列腺癌相關醫(yī)學圖像CAD系統(tǒng) 039
1.3 醫(yī)學圖像CAD的性能評估 040
1.3.1 醫(yī)學圖像數據集 040
1.3.2 評估方法 041
1.4 系統(tǒng)所用算法和特征匯總 045
1.5 面臨的問題和研究展望 058
1.6 未來展望 060
1.7 結語 062
第2章深度學習方法 064
2.1 引言 064
2.2 推理期 064
2.3 知識期 065
2.4 學習期 066
2.4.1 BP神經網絡 066
2.4.2　淺層機器學習算法 071
2.4.3 深度學習算法 088
2.4.4 全連接網絡 095
2.4.5 AlexNet網絡 099
2.5 本章小結 113
應用篇深度學習算法應用于肺結節(jié)診斷案例
第3章肺結節(jié)深度學習診斷引論 117
3.1 研究目的和意義 117
3.2 研究目標和內容 120
3.2.1 基于人工免疫優(yōu)化的征象分類網絡融合方法 121
3.2.2 結合半監(jiān)督協(xié)同學習與深度學習的征象模糊分類方法 121
3.2.3 膠囊網絡的三元組強化學習及其征象分類方法 121
3.3 實驗樣本選擇 122
3.3.1 樣本圖像尺寸 122
3.3.2 征象選擇 123

第4章基于人工免疫優(yōu)化的征象分類網絡融合方法 127
4.1 引言 127
4.2 子網絡融合的人工免疫優(yōu)化方法 129
4.2.1 預測親和度與剩余平均相似度 130
4.2.2 克隆與變異 131
4.3 征象分類方法 134
4.3.1 子網絡構成 135
4.3.2 集成決策分類 136
4.4 實驗與結果分析 137
4.4.1 實驗設置 137
4.4.2 網絡訓練 138
4.4.3 集成分類器與子分類器性能比較 139
4.4.4 AIA-DNF與其他分類器融合方法比較 141
4.4.5 AIA-DNF方法與其他二分類方法比較 144
4.4.6 多級Inception網絡與傳統(tǒng)CNN比較 145
4.5 結語 146
第5章結合半監(jiān)督協(xié)同學習與深度學習的征象模糊分類方法 147
5.1 引言 147
5.2 模糊協(xié)同森林 149
5.2.1 特征提取 149
5.2.2 構建協(xié)同森林 150
5.2.3 模糊分類 151
5.3 融合生成對抗的半監(jiān)督協(xié)同學習 153
5.3.1 DCGAN 154
5.3.2 半監(jiān)督協(xié)同學習 156
5.4 實驗與結果分析 158
5.4.1 實驗設置 158
5.4.2 DFF-Co-forest的分類效果 158
5.4.3 模糊分類策略的效果 162
5.4.4 算法性能比較 163
5.5 結語 166
第6章膠囊網絡的三元組強化學習及其征象分類方法 168
6.1 引言 168
6.2 相關工作 169
6.3 TriCaps-RL方法 171
6.3.1 三元膠囊網絡 172
6.3.2 兩階段強化學習 175
6.4 實驗與結果分析 180
6.4.1 實驗設置 180
6.4.2 學習效果 181
6.4.3 TriCaps-RL方法的分類性能 184
6.4.4 TriCaps-RL與DQN性能對比 185
6.4.5 TriCaps-RL與其他二分類方法對比 188
6.5 結語 190
第7章后記 192
7.1 工作總結 192
7.2 未來展望 194
參考文獻 195
附錄 231