《腫瘤細胞圖像識別》是2019年西安交通大學出版社出版的圖書，作者是甘嵐、周慶忠、趙海霞。
基本介紹
- 中文名：腫瘤細胞圖像識別
- 作者：甘嵐、周慶忠、趙海霞
- 出版社：西安交通大學出版社
- 出版時間：2019年08月01日
- 定價：49 元
- ISBN：9787564369880
圖書簡介,圖書目錄,
圖書簡介
本書主要針對腫瘤細胞圖像識別展開論述，介紹了作者多年研究腫瘤細胞圖像識別工作的豐富研究成果，論述了圖像識別目前相關的熱門理論，對神經網路、量子神經網路、深度學習的卷積神經網路理論都有較詳細的介紹，並且介紹了作者將其套用於腫瘤細胞圖像識別的相關算法。書中詳細論述了作者多年研究的各類腫瘤細胞識別模型的架構和算法，並且介紹了具體實驗過程，驗證各識別模型的識別率，最後全面介紹了作者的腫瘤細胞識別研究套用成果結晶——腫瘤診斷病理分析軟體。全書共分9章，主要內容包括腫瘤細胞圖像識別概論、常用圖像預處理方法、常用圖像特徵提取方法、基於腫瘤細胞特徵提取方法、圖像分類常用方法、基於腫瘤細胞圖像的識別方法及腫瘤診斷病理分析軟體等內容。
圖書目錄
第1章 腫瘤細胞圖像識別概論 1
1.1 腫瘤細胞圖像識別的背景 2
1.2 腫瘤細胞圖像識別的研究現狀 4
1.2.1 國外研究現狀 4
1.2.2 國內研究現狀 5
1.3 腫瘤細胞圖像及其特點 6
1.3.1 原始腫瘤細胞圖像 6
1.3.2 腫瘤細胞圖像的特點 7
1.3.3 灰度化腫瘤細胞圖像 8
第2章 圖像常用預處理方法 9
2.1 圖像預處理 9
2.2 圖像灰度化 10
2.2.1 圖像的灰度化 11
2.2.2 圖像的灰度修正 11
2.3 圖像增強 13
2.3.1 頻域圖像增強方法 13
2.3.2 圖像的灰度變換 14
2.3.3 直方圖處理 17
2.3.4 圖像的空間域平滑 20
2.3.5 圖像的銳化 23
第3章 圖像常用特徵提取方法 27
3.1 圖像特徵及常用提取方法概述 27
3.1.1 圖像特徵概述 27
3.1.2 圖像常用特徵 28
3.1.3 圖像常用特徵提取方法 29
3.2 主成分分析方法 30
3.2.1 PCA概述 30
3.2.2 總體主成分的計算與選取 32
3.2.3 PCA方法基本流程 33
3.3 流形學習方法 34
3.3.1 流形學習概述 34
3.3.2 流形學習的代表方法 35
3.3.3 LLE算法原理 36
3.4 稀疏編碼方法 38
3.4.1 稀疏編碼概述 38
3.4.2 自然圖像的稀疏性與稀疏編碼模型 39
3.4.3 稀疏編碼模型的統計學原理 40
3.4.4 稀疏編碼方法原理 42
3.5 壓縮感知方法 43
3.5.1 壓縮感知概述 43
3.5.2 信號的採樣過程 43
3.5.3 CS數學模型 44
3.5.4 基於CS的特徵提取算法原理 47
第4章 圖像常用識別方法 49
4.1 基於線性判別分析的分類識別方法 49
4.1.1 LDA概述 49
4.1.2 LDA方法原理 50
4.1.3 LDA方法的局限性及解決方法 51
4.2 基於支持向量機的分類識別方法 51
4.2.1 SVM概述 51
4.2.2 SVM方法原理 52
4.2.3 SVM核函式及多分類方法 53
4.3 基於決策樹的分類識別方法 54
4.3.1 決策樹分類方法概述 54
4.3.2 決策樹分類的步驟 54
4.3.3 C4.5決策樹算法 55
4.4 基於貝葉斯的分類識別方法 56
4.4.1 貝葉斯分類概述 56
4.4.2 樸素貝葉斯分類方法 57
4.5 基於神經網路的分類識別方法 59
4.5.1 神經網路概述 59
4.5.2 神經網路分類原理 61
4.5.3 SOFM分類方法 61
第5章 腫瘤細胞圖像的常用識別方法 67
5.1 基於改進的PCA+LDA的腫瘤細胞圖像識別 67
5.1.1 傳統PCA+LDA變換流程與實現 67
5.1.2 泛化問題的產生和解決 72
5.1.3 基於改進PCA+LDA的識別算法 73
5.1.4 實驗與結論 76
5.2 基於雙向2DPCA+SVM的腫瘤細胞圖像識別 79
5.2.1 2DPCA方法 79
5.2.2 雙向2DPCA特徵提取算法原理 81
5.2.3 基於2DPCA+SVM的識別算法 81
5.2.4 實驗與結論 82
5.3 基於LLE+LS_SVM的腫瘤細胞圖像識別 84
5.3.1 LLE和LS_SVM算法原理 84
5.3.2 基於 LLE+LS_SVM的識別算法 85
5.3.3 實驗與結論 86
5.4 基於SAM-CS+SOFM的腫瘤細胞圖像識別 89
5.4.1 自適應觀測矩陣的壓縮感知算法 89
5.4.2 基於SAM-CS+SOFM的識別算法 91
5.4.3 實驗與結論 94
第6章 基於字典學習的RRC腫瘤細胞圖像識別 98
6.1 稀疏表示分類原理 98
6.2 稀疏表示模型用於圖像識別需要考慮的問題 99
6.3 FDDL與正則化魯棒稀疏表示模型 99
6.3.1 FDDL 99
6.3.2 RRC模型 101
6.4 基於字典學習的RRC腫瘤細胞圖像識別 102
6.4.1 算法設計 102
6.4.2 算法實現 103
6.5 實驗與結論 104
6.5.1 灰度化係數選擇 105
6.5.2 參數 值的確定 105
6.5.3 兩種分類模型的比較 106
6.5.4 不同稀疏表示分類方法的比較 107
6.5.5 不同識別方法的比較 108
6.5.6 結 論 108
第7章 基於QSOFM的腫瘤細胞圖像識別 109
7.1 QSOFM概述 109
7.1.1 ANN和QNN的比較 109
7.1.2 量子神經元模型 110
7.1.3 QSOFM模型 111
7.1.4 QSOFM算法 111
7.2 基於QSOFM的腫瘤細胞圖像識別 114
7.2.1 特徵提取 114
7.2.2 算法流程圖 115
7.2.3 工作算法步驟 119
7.3 實驗與結論 119
7.3.1 數據準備 120
7.3.2 參數選擇 120
7.3.3 對比實驗 120
7.3.4 結 論 121
第8章 基於兩級SOFM的腫瘤細胞圖像識別 122
8.1 兩級SOFM神經網路模型的構建 122
8.1.1 第一層SOFM網路的構建 122
8.1.2 第二層SOFM網路的構建 123
8.2 兩級SOFM神經網路分類器設計 125
8.2.1 分類器設計思想 125
8.2.2 分類識別算法設計 126
8.2.3 實驗結果分析 128
8.3 融合PCA和兩級SOFM神經網路的分類器設計 130
8.3.1 PCA的套用 130
8.3.2 分類識別算法設計 131
8.4 實驗與結論 131
8.4.1 實驗過程 132
8.4.2 實驗比較 135
8.4.3 結 論 138
第9章 腫瘤診斷病理分析軟體 139
9.1 需求背景 140
9.2 系統總體設計 140
9.2.1 模組設計 140
9.2.2 軟體算法設計 142
9.3 技術方案和技術路線 144
9.3.1 平台和工具的選擇 144
9.3.2 技術方案和技術路線 144
9.4 腫瘤診斷病理分析軟體主要功能 153
9.4.1 病人圖像信息錄入 153
9.4.2 病理統計 154
9.4.3 手動識別 155
9.4.4 自動識別 156
9.4.5 病理列印 157
9.5 系統技術特點 158
9.5.1 圖像預處理方法的組合套用 158
9.5.2 圖像分割算法的最優選取 158
9.5.3 多層次和多角度的手動識別 160
9.5.4 特徵模型的降維處理 160
9.5.5 軟體的設計原則 161
9.6 展 望 162
9.6.1 手動識別 162
9.6.2 自動識別 162
附 表 164
參考文獻 166
