基於深度學習的醫學圖像數據可視化分析與處理

《基於深度學習的醫學圖像數據可視化分析與處理》是2019年1月28日科學出版社出版的圖書，作者是強彥。

基本介紹

• 中文名：基於深度學習的醫學圖像數據可視化分析與處理
• 作者：強彥
• 出版社：科學出版社
• 出版時間：2019年1月28日
• 頁數：216 頁
• 定價：108 元
• 開本：16 開
• 裝幀：平裝
• ISBN：9787030571366 

內容簡介

本書融合當前模式識別、人工智慧技術的發展和作者科研實踐的研究成果，詳細描述了基於深度學習的醫學圖像數據可視化分析與處理的幾個關鍵部分。包括對CT影像進行三維重建，還原檢測物體的三維結構，進而對三維結構進行可視化分析；利用深度學習、深度信念網路、卷積神經網路和極限學習機等技術提取特徵，進而對肺結節良惡性進行分類。本書從多種技術出發，詳細介紹了多方面的算法描述、實驗結果和結果分析，力求向讀者展示出醫學圖像數據分析、識別和可視化處理相關技術的最新研究動態，希望能為從事相關研究的廣大讀者提供參考，對醫學圖像處理、深度學習技術的發展起到推動作用。

本書可作為高等院校圖像分析、模式識別、可視化、人工智慧和深度學習相關專業的教材，也可供專門從事智慧型信息處理、人工智慧領域的科研人員和套用人員學習、參考。

圖書目錄

第1章緒論1

1.1醫學影像可視化分析1

1.2醫學影像處理2

1.3深度學習技術3

1.4基於深度學習的肺結節計算機輔助診斷技術3

1.5本書的結構4

第2章肺部醫學圖像的二維分割6

2.1基礎概念與理論6

2.2基於超像素和自生成神經森林的肺實質序列圖像分割方法8

2.2.1肺實質分割8

2.2.2肺實質聚類10

2.2.3肺實質序列圖像分割11

2.2.4分割方法結果12

2.2.5分割時間13

2.3改進GAC模型肺部薄掃CT序列圖像分割法14

2.3.1初始輪廓的構造15

2.3.2肺實質分割16

2.3.3肺實質序列的分割效果18

2.3.4實驗結果與分析19

2.4肺部薄掃CT序列圖像的肺結節分割方法19

2.4.1超像素序列圖像分割算法20

2.4.2聚類起始塊和聚類閾值的確定21

2.4.3改進的DBSCAN超像素序列圖像聚類算法24

2.4.4分割結果25

2.4.5實驗結果與分析28

2.5血管粘連型肺結節序列圖像的分割方法30

2.5.1預處理30

2.5.2改進的超像素序列分割31

2.5.3超像素樣本特徵提取32

2.5.4距離約束稀疏子空間聚類36

2.5.5血管粘連型肺結節的分割結果37

2.5.6實驗結果與分析37

2.6本章小結39

第3章肺部醫學圖像的三維分割和檢測40

3.1基礎概念與理論40

3.2基於多模態數據和超體素的肺結節圖像三維分割方法41

3.2.1肺結節區域提取41

3.2.2肺結節區域分割與重建43

3.2.3不同類型肺結節的分割44

3.2.43D分割結果的分析47

3.3基於3D特徵的肺結節自動檢測方法47

3.3.1肺實質序列圖像的分割48

3.3.2結節和血管模型50

3.3.3結節血管增強濾波器52

3.3.4高斯函式多尺度計算54

3.3.5疑似結節提取56

3.3.6肺分割和疑似結節檢測結果和分析59

3.3.7特徵提取結果60

3.3.8SVM分類結果與分析63

3.4基於三維形狀指數的肺結節自動檢測方法66

3.4.1肺部序列CT圖像預處理67

3.4.2三維肺結節類球形濾波器構建68

3.4.3構建類球形濾波器結節檢測函式71

3.4.4實驗平台及數據73

3.4.5檢測結果及分析73

3.5本章小結76

第4章肺部病灶圖像的快速檢索77

4.1基礎概念與理論77

4.2基於有監督哈希的肺結節CT圖像檢索79

4.2.1獲取ROI圖像79

4.2.2多特徵提取79

4.2.3構造哈希函式80

4.2.4查詢圖像的檢索82

4.2.5實驗數據83

4.2.6肺結節特徵量化83

4.2.7參數討論及分析84

4.3基於醫學徵象和卷積神經網路的肺結節CT圖像哈希檢索86

4.3.1構造訓練集準確的二值碼86

4.3.2肺結節重要語義特徵提取87

4.3.3哈希函式的學習88

4.3.4肺結節的檢索過程89

4.3.5實驗數據集與實驗設定90

4.3.6參數討論及分析91

4.4基於多層次語義特徵和加權哈希碼的肺結節CT圖像檢索95

4.4.1提取肺結節的重要語義特徵96

4.4.2構造哈希函式97

4.4.3基於LS的多標籤最佳化97

4.4.4基於PCA投影的數據降維98

4.4.5待查詢肺結節的自適應檢索99

4.4.6哈希函式的參數討論100

4.5基於徵象標籤的肺結節圖像檢索103

4.5.1圖像預處理103

4.5.2構建雙機率超圖104

4.5.3基於機率超圖的光譜哈希105

4.5.4查詢樣本檢索106

4.5.5檢索精度結果及分析106

4.6基於深度哈希的肺結節圖像檢索110

4.6.1提取圖像深度特徵110

4.6.2稀疏有監督哈希112

4.6.3檢索結果112

4.7本章小結114

第5章基於深度信念網路的肺結節分類模型115

5.1基礎概念與理論115

5.1.1受限玻爾茲曼機理論115

5.1.2馬爾可夫鏈蒙特卡羅方法117

5.1.3Gibbs採樣118

5.1.4對比散度算法119

5.2基於深度信念網路的肺結節良惡性分類方法120

5.2.1構建數據集120

5.2.2深度信念網路（PndDBN-5）的構建及訓練121

5.2.3DBN層數分析122

5.2.4隱含層節點數分析122

5.2.5RBM的學習率分析123

5.3改進的深度信念網路肺結節良惡性分類方法124

5.3.1數據預處理125

5.3.2改進的深度信念網路（Pnd-EDBN）的構建126

5.3.3改進的深度信念網路（Pnd-EDBN）的訓練127

5.3.4隱含層數分析128

5.3.5隱含層數節點組合129

5.3.6交叉熵稀疏懲罰因子131

5.4基於多視角深度信念網路的肺結節檢測方法133

5.4.1肺結節疑似區域提取134

5.4.2構建2.5維結構135

5.4.3DBN訓練過程135

5.4.4參數設定136

5.4.5融合策略分析136

5.4.6循環次數分析138

5.4.7不同方法對比及討論139

5.5本章小結140

第6章基於卷積神經網路的肺結節檢測與分類141

6.1基礎概念與理論141

6.1.1卷積與反卷積理論141

6.1.2降採樣（池化）理論142

6.1.3激活函式143

6.2基於卷積神經網路的肺結節檢測模型143

6.2.1數據預處理144

6.2.2卷積神經網路的肺結節檢測（PndCnn-7）模型145

6.2.3正向傳播146

6.2.4誤差反向傳播146

6.2.5檢測的評價指標146

6.2.6PndCnn-7模型參數調整147

6.3基於卷積神經網路和主成分分析法結合的肺結節特徵提取方法150

6.3.1數據預處理151

6.3.2特徵提取151

6.3.3特徵選擇152

6.3.4特徵提取模型的訓練153

6.3.5不同特徵的分類對比155

6.4基於多輸入卷積神經網路肺結節檢測模型155

6.4.1數據預處理156

6.4.2多輸入卷積神經網路158

6.4.3實驗結果與分析159

6.5基於卷積和反卷積神經網路肺部微小結節的檢測模型161

6.5.1卷積反卷積神經網路模型構建162

6.5.2檢測結果與分析163

6.6本章小結166

第7章深度自編碼結合極限學習機的孤立性肺結節分類診斷167

7.1基礎概念與理論167

7.1.1深度自編碼基礎167

7.1.2極限學習機的概念171

7.1.3局部感受野基礎知識173

7.2基於棧式極限學習機的肺結節分類及診斷方法173

7.2.1數據預處理173

7.2.2基於棧式極限學習機的肺結節分類方法框架175

7.2.3深度自編碼網路構建176

7.2.4網路檢測結果及分析178

7.2.5網路評價指標及分析179

7.3基於雙模態深度極限學習機的自編碼肺結節診斷方法180

7.3.1數據半監督預處理181

7.3.2限制差分權重最佳化方法181

7.3.3深度極限學習機的降噪自編碼網路構建183

7.3.4多模態特徵的融合和分類184

7.3.5分類性能分析185

7.3.6不同診斷方法的分析187

7.4基於半監督自編碼的孤立性肺結節檢測188

7.4.1局部感受野的多特徵學習188

7.4.2融合臨床信息的深度半監督稀疏自編碼190

7.4.3融合臨床信息的棧式稀疏自編碼192

7.4.4實驗及結果分析193

7.5本章小結194

參考文獻196