醫(yī)學(xué)圖像分割與校正：基于水平集方法與深度學(xué)習(xí)

　　本書從圖像分割與校正模型和水平集方法的基本概念出發(fā)，整理了若干基于水平集和深度學(xué)習(xí)的醫(yī)學(xué)圖像分割與校正模型。全書共11章，包括五部分內(nèi)容：第一部分（第1章）介紹醫(yī)學(xué)圖像分割與校正的方法，包括醫(yī)學(xué)圖像分割與校正背景及意義、國內(nèi)外研究現(xiàn)狀分析和相關(guān)模型和方法。第二部分（第2？4章）詳細(xì)討論二區(qū)和多區(qū)圖像分割與校正模型，包括多區(qū)MR圖像分割與校正模型、抗噪聲醫(yī)學(xué)圖像分割與校正模型及基函數(shù)表達(dá)的人腦MR圖像校正及分割模型。第三部分（第5章）介紹多圖譜融合的三維人腦MRI分割及校正模型，主要針對(duì)3D人腦MR圖像的分割及校正。第四部分（第6？8章）介紹帶有約束信息的圖像分割模型，包括結(jié)合先驗(yàn)約束項(xiàng)的圖像分割模型、帶有強(qiáng)約束項(xiàng)的彩色圖像分割模型和PeRSF模型。第五部分（第9？11章）介紹基于深度學(xué)習(xí)與水平集方法的醫(yī)學(xué)圖像分割模型，包括弱監(jiān)督牙齒分割模型、基于局部方差和邊緣信息的自適應(yīng)分割模型、基于強(qiáng)化主動(dòng)學(xué)習(xí)的圖像選擇策略應(yīng)用于分割模型。以上介紹的各種醫(yī)學(xué)圖像分割與校正模型，針對(duì)不同特性的醫(yī)學(xué)圖像，不僅提高了模型分割的準(zhǔn)確度，也提高了模型分割的速度以及自適應(yīng)性與魯棒性。

　　所做的研究工作獲得國際同行的廣泛關(guān)注，所發(fā)表34篇學(xué)術(shù)論文已在Web of Science上被引用累計(jì)86次，其中，單篇最高引用次數(shù)達(dá)30次；在谷歌學(xué)術(shù)上被引用累計(jì)186次，單篇最高引用次數(shù)達(dá)56次。