商品名：基于深度学習的医学図像数据可視化分析与処理
商品番号：N1_9897
編著者：強彦
言語：中国語
ページ：201P
サイズ：A4
出版：科学出版社
出版年月：2019年1月
ISBN：9787030571366
内容紹介：《基于深度学习的医学图像数据可视化分析与处理》融合当前模式识别、人工智能技术的发展和作者科研实践的研究成果，详细描述了基于深度学习的医学图像数据可视化分析与处理的几个关键部分。包括对CT影像进行三维重建，还原检测物体的三维结构，进而对三维结构进行可视化分析；利用深度学习、深度信念网络、卷积神经网络和极限学习机等技术提取特征，进而对肺结节良恶性进行分类。
《基于深度学习的医学图像数据可视化分析与处理》从多种技术出发，详细介绍了多方面的算法描述、实验结果和结果分析，力求向读者展示出医学图像数据分析、识别和可视化处理相关技术的新研究动态，希望能为从事相关研究的广大读者提供参考，对医学图像处理、深度学习技术的发展起到推动作用。
《基于深度学习的医学图像数据可视化分析与处理》可作为高等院校图像分析、模式识别、可视化、人工智能和深度学习相关专业的教材，也可供专门从事智能信息处理、人工智能领域的科研人员和应用人员学习、参考。
目録
章 绪论
1．1 医学影像可视化分析
1．2 医学影像处理
1．3 深度学习技术
1．4 基于深度学习的肺结节计算机辅助诊断技术
1．5 本书的结构
第2章 肺部医学图像的二维分割
2．1 基础概念与理论
2．2 基于超像素和自生成神经森林的肺实质序列图像分割方法
2．2．1 肺实质分割
2．2．2 肺实质聚类
2．2．3 肺实质序列图像分割
2．2．4 分割方法结果
2．2．5 分割时间
2．3 改进GAC模型肺部薄扫CT序列图像分割法
2．3．1 初始轮廓的构造
2．3．2 肺实质分割
2．3．3 肺实质序列的分割效果
2．3．4 实验结果与分析
2．4 肺部薄扫CT序列图像的肺结节分割方法
2．4．1 超像素序列图像分割算法
2．4．2 聚类起始块和聚类阈值的确定
2．4．3 改进的DBSCAN超像素序列图像聚类算法
2．4．4 分割结果
2．4．5 实验结果与分析
2．5 血管粘连型肺结节序列图像的分割方法
2．5．1 预处理
2．5．2 改进的超像素序列分割
2．5．3 超像素样本特征提取
2．5．4 距离约束稀疏子空间聚类
2．5．5 血管粘连型肺结节的分割结果
2．5．6 实验结果与分析
2．6 本章小结
第3章 肺部医学图像的三维分割和检测
3．1 基础概念与理论
3．2 基于多模态数据和超体素的肺结节图像三维分割方法
3．2．1 肺结节区域提取
3．2．2 肺结节区域分割与重建
3．2．3 不同类型肺结节的分割
3．2．4 3D分割结果的分析
3．3 基于3D特征的肺结节自动检测方法
3．3．1 肺实质序列图像的分割
3．3．2 结节和血管模型
3．3．3 结节血管��强滤波器
3．3．4 高斯函数多尺度计算
3．3．5 疑似结节提取
3．3．6 肺分割和疑似结节检测结果和分析
3．3．7 特征提取结果
3．3．8 SVM分类结果与分析
3．4 基于三维形状指数的肺结节自动检测方法
3．4．1 肺部序列CT图像预处理
3．4．2 三维肺结节类球形滤波器构建
3．4．3 构建类球形滤波器结节检测函数
3．4．4 实验平台及数据
3．4．5 检测结果及分析
3．5 本章小结
第4章 肺部病灶图像的快速检索
4．1 基础概念与理论
4．2 基于有监督哈希的肺结节CT图像检索
4．2．1 获取ROI图像
4．2．2 多特征提取
4．2．3 构造哈希函数
4．2．4 查询图像的检索
4．2．5 实验数据
4．2．6 肺结节特征量化
4．2．7 参数讨论及分析
4．3 基于医学征象和卷积神经网络的肺结节CT图像哈希检索
4．3．1 构造训练集准确的二值码
4．3．2 肺结节重要语义特征提取
4．3．3 哈希函数的学习
4．3．4 肺结节的检索过程
4．3．5 实验数据集与实验设置
4．3．6 参数讨论及分析
4．4 基于多层次语义特征和加权哈希码的肺结节CT图像检索
4．4．1 提取肺结节的重要语义特征
4．4．2 构造哈希函数
4．4．3 基于LS的多标签优化
4．4．4 基于PCA投影的数据降维
4．4．5 待查询肺结节的自适应检索
4．4．6 哈希函数的参数讨论
4．5 基于征象标签的肺结节图像检索
4．5．1 图像预处理
4．5．2 构建双概率超图
4．5．3 基于概率超图的光谱哈希
4．5．4 查询样本检索
4．5．5 检索精度结果及分析
4．6 基于深度哈希的肺结节图像检索
4．6．1 提取图像深度特征
4．6．2 稀疏有监督哈希
4．6．3 检索结果
4．7 本章小结
第5章 基于深度信念网络的肺结节分类模型
5．1 基础概念与理论
5．1．1 受限玻尔兹曼机理论
5．1．2 马尔可夫链蒙特卡罗方法
5．1．3 Gibbs采样
5．1．4 对比散度算法
5．2 基于深度信念网络的肺结节良恶性分类方法
5．2．1 构建数据集
5．2．2 深度信念网络（PndDBN-5）的构建及训练
5．2．3 DBN层数分析
5．2．4 隐含层节点数分析
5．2．5 RBM的学习率分析
5．3 改进的深度信念网络肺结节良恶性分类方法
5．3．1 数据预处理
5．3．2 改进的深度信念网络（Pnd-EDBN）的构建
5．3．3 改进的深度信念网络（Pnd-EDBN）的训练
5．3．4 隐含层数分析
5．3．5 隐含层数节点组合
5．3．6 交叉熵稀疏惩罚因子
5．4 基于多视角深度信念网络的肺结节检测方法
5．4．1 肺结节疑似区域提取
5．4．2 构建2．5 维结构
5．4．3 DBN训练过程
5．4．4 参数设置
5．4．5 融合策略分析
5．4．6 循环次数分析
5．4．7 不同方法对比及讨论
5．5 本章小结
第6章 基于卷积神经网络的肺结节检测与分类
6．1 基础概念与理论
6．1．1 卷积与反卷积理论
6．1．2 降采样（池化）理论
6．1．3 激活函数
6．2 基于卷积神经网络的肺结节检测模型
6．2．1 数据预处理
6．2．2 卷积神经网络的肺结节检测（PndCnn-7）模型
6．2．3 正向传播
6．2．4 误差反向传播
6．2．5 检测的评价指标
6．2．6 PndCnn-7模型参数调整
6．3 基于卷积神经网络和主成分分析法结合的肺结节特征提取方法
6．3．1 数据预处理
6．3．2 特征提取
6．3．3 特征选择
6．3．4 特征提取模型的训练
6．3．5 不同特征的分类对比
6．4 基于多输入卷积神经网络肺结节检测模型
6．4．1 数据预处理
6．4．2 多输入卷积神经网络
6．4．3 实验结果与分析
6．5 基于卷积和反卷积神经网络肺部微小结节的检测模型
6．5．1 卷积反卷积神经网络模型构建
6．5．2 检测结果与分析
6．6 本章小结
第7章 深度自编码结合极限学习机的孤立性肺结节分类诊断
7．1 基础概念与理论
7．1．1 深度自编码基础
7．1．2 极限学习机的概念
7．1．3 局部感受野基础知识
7．2 基于栈式极限学习机的肺结节分类及诊断方法
7．2．1 数据预处理
7．2．2 基于栈式极限学习机的肺结节分类方法框架
7．2．3 深度自编码网络构建
7．2．4 网络检测结果及分析
7．2．5 网络评价指标及分析
7．3 基于双模态深度极限学习机的自编码肺结节诊断方法
7．3．1 数据半监督预处理
7．3．2 限制差分权重优化方法
7．3．3 深度极限学习机的降噪自编码网络构建
7．3．4 多模态特征的融合和分类
7．3．5 分类性能分析
7．3．6 不同诊断方法的分析
7．4 基于半监督自编码的孤立性肺结节检测
7．4．1 局部感受野的多特征学习
7．4．2 融合临床信息的深度半监督稀疏自编码
7．4．3 融合临床信息的栈式稀疏自编码
7．4．4 实验及结果分析
7．5 本章小结
参考文献
