深度學(xué)習(xí)在醫(yī)學(xué)圖像中的應(yīng)用

定　價(jià)：￥98.00

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

購買這本書可以去

ISBN：	9787121446733	出版時(shí)間：	2022-12-01	包裝：	平塑勒
開本：		頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　醫(yī)學(xué)圖像分析已是當(dāng)前醫(yī)學(xué)研究、診斷和治療中必不可少的技術(shù)手段。醫(yī)學(xué)圖像中含有重要的生理、病理信息等知識(shí)，但由于圖像中的信息量大、維度高，這些信息在醫(yī)學(xué)圖像中表現(xiàn)復(fù)雜，所以挖掘難度很大。盡管從二十世紀(jì)五六十年代起，學(xué)者專家都在嘗試用計(jì)算機(jī)輔助手段從中挖掘有價(jià)值的診斷信息，但效果一直不理想，直到近幾年，隨著機(jī)器學(xué)習(xí)算法陸續(xù)取得重要進(jìn)展，人類步入深度學(xué)習(xí)時(shí)代，醫(yī)學(xué)圖像輔助檢測與診斷技術(shù)才有了較大進(jìn)步。本書內(nèi)容由淺入深，從易到難，各章節(jié)既相對(duì)獨(dú)立，又前后關(guān)聯(lián)。既適合對(duì)醫(yī)學(xué)圖像分析有興趣的愛好者作為入門讀物，以了解本領(lǐng)域背景和基礎(chǔ)知識(shí)，也能為計(jì)算機(jī)醫(yī)學(xué)圖像分析研究領(lǐng)域的學(xué)者帶來創(chuàng)新思路。

作者簡介

　　鄭光遠(yuǎn)，男，1976年3月出生于河南商丘，2020年畢業(yè)于北京理工大學(xué)，獲工學(xué)博士學(xué)位?，F(xiàn)于上海建橋?qū)W院任教，副教授。參編有《可視化編程應(yīng)用》、《全國計(jì)算機(jī)等級(jí)考試系列教程. 三級(jí)網(wǎng)絡(luò)技術(shù)》等書，在《軟件學(xué)報(bào)》和SCI期刊上發(fā)表多篇文章。曾擔(dān)任《計(jì)算機(jī)學(xué)報(bào)》、《電訊技術(shù)》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(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、醫(yī)學(xué)圖像分析等。

圖書目錄

基礎(chǔ)篇醫(yī)學(xué)圖像計(jì)算機(jī)輔助檢測與診斷、
深度學(xué)習(xí)算法基礎(chǔ)知識(shí)
緒論 003
第1章醫(yī)學(xué)圖像計(jì)算機(jī)輔助檢測/診斷（CAD）系統(tǒng) 007
1.1 醫(yī)學(xué)圖像CAD系統(tǒng)概述 007
1.2 不同部位醫(yī)學(xué)圖像CAD系統(tǒng)分述 009
1.2.1 基于胸部X線片的肺結(jié)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(xué)圖像CAD系統(tǒng) 018
1.2.4 結(jié)直腸醫(yī)學(xué)圖像CAD系統(tǒng) 029
1.2.5 前列腺醫(yī)學(xué)圖像CAD系統(tǒng) 034
1.2.6 其他前列腺癌相關(guān)醫(yī)學(xué)圖像CAD系統(tǒng) 039
1.3 醫(yī)學(xué)圖像CAD的性能評(píng)估 040
1.3.1 醫(yī)學(xué)圖像數(shù)據(jù)集 040
1.3.2 評(píng)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(jié)語 062
第2章深度學(xué)習(xí)方法 064
2.1 引言 064
2.2 推理期 064
2.3 知識(shí)期 065
2.4 學(xué)習(xí)期 066
2.4.1 BP神經(jīng)網(wǎng)絡(luò) 066
2.4.2　淺層機(jī)器學(xué)習(xí)算法 071
2.4.3 深度學(xué)習(xí)算法 088
2.4.4 全連接網(wǎng)絡(luò) 095
2.4.5 AlexNet網(wǎng)絡(luò) 099
2.5 本章小結(jié) 113
應(yīng)用篇深度學(xué)習(xí)算法應(yīng)用于肺結(jié)節(jié)診斷案例
第3章肺結(jié)節(jié)深度學(xué)習(xí)診斷引論 117
3.1 研究目的和意義 117
3.2 研究目標(biāo)和內(nèi)容 120
3.2.1 基于人工免疫優(yōu)化的征象分類網(wǎng)絡(luò)融合方法 121
3.2.2 結(jié)合半監(jiān)督協(xié)同學(xué)習(xí)與深度學(xué)習(xí)的征象模糊分類方法 121
3.2.3 膠囊網(wǎng)絡(luò)的三元組強(qiáng)化學(xué)習(xí)及其征象分類方法 121
3.3 實(shí)驗(yàn)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(wǎng)絡(luò)融合方法 127
4.1 引言 127
4.2 子網(wǎng)絡(luò)融合的人工免疫優(yōu)化方法 129
4.2.1 預(yù)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(wǎng)絡(luò)構(gòu)成 135
4.3.2 集成決策分類 136
4.4 實(shí)驗(yàn)與結(jié)果分析 137
4.4.1 實(shí)驗(yàn)設(shè)置 137
4.4.2 網(wǎng)絡(luò)訓(xùn)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(jí)Inception網(wǎng)絡(luò)與傳統(tǒng)CNN比較 145
4.5 結(jié)語 146
第5章結(jié)合半監(jiān)督協(xié)同學(xué)習(xí)與深度學(xué)習(xí)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(gòu)建協(xié)同森林 150
5.2.3 模糊分類 151
5.3 融合生成對(duì)抗的半監(jiān)督協(xié)同學(xué)習(xí) 153
5.3.1 DCGAN 154
5.3.2 半監(jiān)督協(xié)同學(xué)習(xí) 156
5.4 實(shí)驗(yàn)與結(jié)果分析 158
5.4.1 實(shí)驗(yàn)設(shè)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(jié)語 166
第6章膠囊網(wǎng)絡(luò)的三元組強(qiáng)化學(xué)習(xí)及其征象分類方法 168
6.1 引言 168
6.2 相關(guān)工作 169
6.3 TriCaps-RL方法 171
6.3.1 三元膠囊網(wǎng)絡(luò) 172
6.3.2 兩階段強(qiáng)化學(xué)習(xí) 175
6.4 實(shí)驗(yàn)與結(jié)果分析 180
6.4.1 實(shí)驗(yàn)設(shè)置 180
6.4.2 學(xué)習(xí)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(duì)比 185
6.4.5 TriCaps-RL與其他二分類方法對(duì)比 188
6.5 結(jié)語 190
第7章后記 192
7.1 工作總結(jié) 192
7.2 未來展望 194
參考文獻(xiàn) 195
附錄 231