深度学习在医学图像中的应用

图书标准信息

• 作者 郑光远
• 出版社 电子工业出版社
• 出版时间 2022-12
• 版次 1
• ISBN 9787121446733
• 定价 98.00元
• 装帧 其他
• 开本 16开
• 页数 240页
• 字数 244千字

【内容简介】

医学图像分析已是当前医学研究、诊断和治疗中必不可少的技术手段。医学图像中含有重要的生理、病理信息等知识，但由于图像中的信息量大、维度高，这些信息在医学图像中表现复杂，所以挖掘难度很大。尽管从二十世纪五六十年代起，学者专家都在尝试用计算机辅助手段从中挖掘有价值的诊断信息，但效果一直不理想，直到近几年，随着机器学习算法陆续取得重要进展，人类步入深度学习时代，医学图像辅助检测与诊断技术才有了较大进步。 本书内容由浅入深，从易到难，各章节既相对独立，又前后关联。既适合对医学图像分析有兴趣的爱好者作为入门读物，以了解本领域背景和基础知识，也能为计算机医学图像分析研究领域的学者带来创新思路。

【作者简介】

郑光远，男，1976年3月出生于河南商丘，2020年毕业于北京理工大学，获工学博士学位。现于上海建桥学院任教，副教授。参编有《可视化编程应用》、《全国计算机等级考试系列教程. 三级网络技术》等书，在《软件学报》和SCI期刊上发表多篇文章。曾担任《计算机学报》、《电讯技术》期刊和《IEEE Access》、《Wireless Communications and Mobile Computing》等SCI期刊的审稿人。现主要研究方向是机器学习、计算机视觉、医学图像分析等。

【目录】

基础篇  医学图像计算机辅助检测与诊断、

深度学习算法基础知识

绪论003

第1章  医学图像计算机辅助检测/诊断（CAD）系统007

1.1  医学图像CAD系统概述007

1.2  不同部位医学图像CAD系统分述009

1.2.1  基于胸部X线片的肺结节CAD系统009

1.2.2  基于CT图像的肺部CAD系统011

1.2.3  乳腺医学图像CAD系统018

1.2.4  结直肠医学图像CAD系统029

1.2.5  前列腺医学图像CAD系统034

1.2.6  其他前列腺癌相关医学图像CAD系统039

1.3  医学图像CAD的性能评估040

1.3.1  医学图像数据集040

1.3.2  评估方法041

1.4  系统所用算法和特征汇总045

1.5  面临的问题和研究展望058

1.6  未来展望060

1.7  结语062

第2章  深度学习方法064

2.1  引言064

2.2  推理期064

2.3  知识期065

2.4  学习期066

2.4.1  BP神经网络066

2.4.2　浅层机器学习算法071

2.4.3  深度学习算法088

2.4.4  全连接网络095

2.4.5  AlexNet网络099

2.5  本章小结113

应用篇  深度学习算法应用于肺结节诊断案例

第3章  肺结节深度学习诊断引论117

3.1  研究目的和意义117

3.2  研究目标和内容120

3.2.1  基于人工免疫优化的征象分类网络融合方法121

3.2.2  结合半监督协同学习与深度学习的征象模糊分类方法121

3.2.3  胶囊网络的三元组强化学习及其征象分类方法121

3.3  实验样本选择122

3.3.1  样本图像尺寸122

3.3.2  征象选择123

第4章  基于人工免疫优化的征象分类网络融合方法127

4.1  引言127

4.2  子网络融合的人工免疫优化方法129

4.2.1  预测亲和度与剩余平均相似度130

4.2.2  克隆与变异131

4.3  征象分类方法134

4.3.1  子网络构成135

4.3.2  集成决策分类136

4.4  实验与结果分析137

4.4.1  实验设置137

4.4.2  网络训练138

4.4.3  集成分类器与子分类器性能比较139

4.4.4  AIA-DNF与其他分类器融合方法比较141

4.4.5  AIA-DNF方法与其他二分类方法比较144

4.4.6  多级Inception网络与传统CNN比较145

4.5  结语146

第5章  结合半监督协同学习与深度学习的征象模糊分类方法147

5.1  引言147

5.2  模糊协同森林149

5.2.1  特征提取149

5.2.2  构建协同森林150

5.2.3  模糊分类151

5.3  融合生成对抗的半监督协同学习153

5.3.1  DCGAN154

5.3.2  半监督协同学习156

5.4  实验与结果分析158

5.4.1  实验设置158

5.4.2  DFF-Co-forest的分类效果158

5.4.3  模糊分类策略的效果162

5.4.4  算法性能比较163

5.5  结语166

第6章  胶囊网络的三元组强化学习及其征象分类方法168

6.1  引言168

6.2  相关工作169

6.3  TriCaps-RL方法171

6.3.1  三元胶囊网络172

6.3.2  两阶段强化学习175

6.4  实验与结果分析180

6.4.1  实验设置180

6.4.2  学习效果181

6.4.3  TriCaps-RL方法的分类性能184

6.4.4  TriCaps-RL与DQN性能对比185

6.4.5  TriCaps-RL与其他二分类方法对比188

6.5  结语190

第7章  后记192

7.1  工作总结192

7.2  未来展望194

参考文献195

附录 231