基于深度学习的医学图像数据可视化分析与处理--详细介绍

图书搜索
帮助
热门图书
经济数学
幼儿园环境创设——为幼儿...
SQL Server 2...
Access2010数据...
C语言程序设计案例教程
汽车电工电子技术
电子商务实务
中医食疗药膳设计
机械设备装调技术与实训
幼儿潜能开发技术
AutCAD建筑绘图及三...
计算机网络技术与实训
中职生创业教育读本
Office高级应用案例...
家装设计
食品微生物检验技术(第二...
计算思维与大学计算机基础...
瓷乡茶韵
烘焙工艺实训教程
汇编语言程序设计
三维设计
大学生就业指导与创新创业...
 当前位置:店销书,专著 基于深度学习的医学图像数据可视化分析与处理
   
基于深度学习的医学图像数据可视化分析与处理
作者:强彦,
书名:基于深度学习的医学图像数据可视化分析与处理
定价:¥108 元
光盘: 
丛书名:  
免费资源下载:
本书PPT下载:
目录和样章下载: 样章下载地址
模拟试题库下载:
教学资料包下载:
实例素材下载:
开本: 
标准书号: 978-7-03-057136-6
字数(千): 
印张: 
出版日期: 2019-1-28
发行号: TP-7945.0101
装帧: 
点击热度: 635
习题答案下载:
教学视频下载:
电子教案下载:
名人推荐
.........................................................................................
 
获奖情况
.........................................................................................
 
图书介绍
.........................................................................................
  本书融合当前模式识别、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。本书从多种技术出发,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最新研究动态,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。
  本书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。
 
前言
.........................................................................................
  深度学习于2006年,由加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生Ruslan Salakhutdinov提出,开启了深度学习在学术界和工业界的研发和应用。深度学习是机器学习研究中一个新的领域,也是机器学习的重要方法之一,其动机在于建立模拟人脑进行分析学习的神经网络来促进机器学习,它模仿人脑的机制来分析、处理、筛选各种数据,例如图像、声音、视频和感知等。
  可视化是利用计算机图形学和图像处理技术,将数据转换成三维图形或图像在屏幕上显示出来,并进行交互处理的理论、方法和技术。它涉及计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域,成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。目前正在飞速发展的虚拟现实技术也是以图形图像的可视化技术为依托的。
在大数据时代,如何充分利用人工智能、深度学习方法分析处理海量而复杂的医学图像大数据,为临床医学中各种重大疾病的筛查、诊断、治疗计划、治疗图像引导、疗效评估和随访提供科学方法和先进技术,这是当前医学图像分析领域亟须解决的重大科学问题和前沿医学影像关键技术。
  本书针对计算机断层扫描影像进行研究,结合海量临床诊断确诊病例,提出肺部医学图像的二维及三维分割方法,并利用三维形状指数及其他三维特征实现肺结节的自动检测;研究并提出了基于医学征象和卷积神经网络的肺结节CT图像哈希检索方法;提出了基于深度信念网络和卷积神经网络的肺结节检测模型并进一步实现良恶性分类;同时针对孤立性肺结节提出了深度自编码结合极限学习机的分类方法,是国内基于深度学习的医学图像数据可视化分析与处理方面较为全面的一本书籍。
  本书是作者从事深度学习技术和数据可视化分析相关研究的总结,书中部分内容参考了国内外同行近年来在该研究领域各方面取得的最新成果,所列部分算法是在相关理论系统基础算法上的改进和拓展,或可供读者在科学研究和科技应用方面做参考。
  本书是作者在科研项目“基于长时程CT影像的肺部病灶生长演变规律建模及早期肺癌智能诊断研究”(国家自然科学基金项目,61872261)、“面向工作的可视分析理论与应用研究”(国家自然科学基金项目,61572344)和“基于深度学习的大规模CT图像检索方法研究”(虚拟现实国家重点实验室项目,VRLAB2018B07)等项目最新研究成果的总结,并经过不断改进和完善,最后凝练而成的。
  本书在撰写过程中得到了赵涓涓、肖小娇、张娅楠、赵鹏飞、董林佳、崔强、张伟、杨晓兰、张婷、宋云霞和赵鑫等相关专家和相关项目组成员的大力支持和协助,在此表示衷心的感谢!
  由于作者学识有限,加上计算机科学技术发展很快,书中不妥之处在所难免,作者诚恳地希望各位专家和读者不吝指教和帮助。


 
图书目录
.........................................................................................
第1章  绪论 1
1.1  医学影像可视化分析 1
1.2  医学影像处理 2
1.3  深度学习技术 3
1.4  基于深度学习的肺结节计算机辅助诊断技术 3
1.5  本书的结构 4
第2章  肺部医学图像的二维分割 6
2.1  基础概念与理论 6
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 8
2.2.1  肺实质分割 8
2.2.2  肺实质聚类 10
2.2.3  肺实质序列图像分割 11
2.2.4  分割方法结果 12
2.2.5  分割时间 13
2.3  改进GAC模型肺部薄扫CT序列图像分割法 14
2.3.1  初始轮廓的构造 15
2.3.2  肺实质分割 16
2.3.3  肺实质序列的分割效果 18
2.3.4  实验结果与分析 19
2.4  肺部薄扫CT序列图像的肺结节分割方法 19
2.4.1  超像素序列图像分割算法 20
2.4.2  聚类起始块和聚类阈值的确定 21
2.4.3  改进的DBSCAN超像素序列图像聚类算法 24
2.4.4  分割结果 25
2.4.5  实验结果与分析 28
2.5  血管粘连型肺结节序列图像的分割方法 30
2.5.1  预处理 30
2.5.2  改进的超像素序列分割 31
2.5.3  超像素样本特征提取 32
2.5.4  距离约束稀疏子空间聚类 36
2.5.5  血管粘连型肺结节的分割结果 37
2.5.6  实验结果与分析 37
2.6  本章小结 39
第3章  肺部医学图像的三维分割和检测 40
3.1  基础概念与理论 40
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 41
3.2.1  肺结节区域提取 41
3.2.2  肺结节区域分割与重建 43
3.2.3  不同类型肺结节的分割 44
3.2.4  3D分割结果的分析 47
3.3  基于3D特征的肺结节自动检测方法 47
3.3.1  肺实质序列图像的分割 48
3.3.2  结节和血管模型 50
3.3.3  结节血管增强滤波器 52
3.3.4  高斯函数多尺度计算 54
3.3.5  疑似结节提取 56
3.3.6  肺分割和疑似结节检测结果和分析 59
3.3.7  特征提取结果 60
3.3.8  SVM分类结果与分析 63
3.4  基于三维形状指数的肺结节自动检测方法 66
3.4.1  肺部序列CT图像预处理 67
3.4.2  三维肺结节类球形滤波器构建 68
3.4.3  构建类球形滤波器结节检测函数 71
3.4.4  实验平台及数据 73
3.4.5  检测结果及分析 73
3.5  本章小结 76
第4章  肺部病灶图像的快速检索 77
4.1  基础概念与理论 77
4.2  基于有监督哈希的肺结节CT图像检索 79
4.2.1  获取ROI图像 79
4.2.2  多特征提取 79
4.2.3  构造哈希函数 80
4.2.4  查询图像的检索 82
4.2.5  实验数据 83
4.2.6  肺结节特征量化 83
4.2.7  参数讨论及分析 84
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 86
4.3.1  构造训练集准确的二值码 86
4.3.2  肺结节重要语义特征提取 87
4.3.3  哈希函数的学习 88
4.3.4  肺结节的检索过程 89
4.3.5  实验数据集与实验设置 90
4.3.6  参数讨论及分析 91
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 95
4.4.1  提取肺结节的重要语义特征 96
4.4.2  构造哈希函数 97
4.4.3  基于LS的多标签优化 97
4.4.4  基于PCA投影的数据降维 98
4.4.5  待查询肺结节的自适应检索 99
4.4.6  哈希函数的参数讨论 100
4.5  基于征象标签的肺结节图像检索 103
4.5.1  图像预处理 103
4.5.2  构建双概率超图 104
4.5.3  基于概率超图的光谱哈希 105
4.5.4  查询样本检索 106
4.5.5  检索精度结果及分析 106
4.6  基于深度哈希的肺结节图像检索 110
4.6.1  提取图像深度特征 110
4.6.2  稀疏有监督哈希 112
4.6.3  检索结果 112
4.7  本章小结 114
第5章  基于深度信念网络的肺结节分类模型 115
5.1  基础概念与理论 115
5.1.1  受限玻尔兹曼机理论 115
5.1.2  马尔可夫链蒙特卡罗方法 117
5.1.3  Gibbs采样 118
5.1.4  对比散度算法 119
5.2  基于深度信念网络的肺结节良恶性分类方法 120
5.2.1  构建数据集 120
5.2.2  深度信念网络(PndDBN-5)的构建及训练 121
5.2.3  DBN层数分析 122
5.2.4  隐含层节点数分析 122
5.2.5  RBM的学习率分析 123
5.3  改进的深度信念网络肺结节良恶性分类方法 124
5.3.1  数据预处理 125
5.3.2  改进的深度信念网络(Pnd-EDBN)的构建 126
5.3.3  改进的深度信念网络(Pnd-EDBN)的训练 127
5.3.4  隐含层数分析 128
5.3.5  隐含层数节点组合 129
5.3.6  交叉熵稀疏惩罚因子 131
5.4  基于多视角深度信念网络的肺结节检测方法 133
5.4.1  肺结节疑似区域提取 134
5.4.2  构建2.5维结构 135
5.4.3  DBN训练过程 135
5.4.4  参数设置 136
5.4.5  融合策略分析 136
5.4.6  循环次数分析 138
5.4.7  不同方法对比及讨论 139
5.5  本章小结 140
第6章  基于卷积神经网络的肺结节检测与分类 141
6.1  基础概念与理论 141
6.1.1  卷积与反卷积理论 141
6.1.2  降采样(池化)理论 142
6.1.3  激活函数 143
6.2  基于卷积神经网络的肺结节检测模型 143
6.2.1  数据预处理 144
6.2.2  卷积神经网络的肺结节检测(PndCnn-7)模型 145
6.2.3  正向传播 146
6.2.4  误差反向传播 146
6.2.5  检测的评价指标 146
6.2.6  PndCnn-7模型参数调整 147
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 150
6.3.1  数据预处理 151
6.3.2  特征提取 151
6.3.3  特征选择 152
6.3.4  特征提取模型的训练 153
6.3.5  不同特征的分类对比 155
6.4  基于多输入卷积神经网络肺结节检测模型 155
6.4.1  数据预处理 156
6.4.2  多输入卷积神经网络 158
6.4.3  实验结果与分析 159
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 161
6.5.1  卷积反卷积神经网络模型构建 162
6.5.2  检测结果与分析 163
6.6  本章小结 166
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 167
7.1  基础概念与理论 167
7.1.1  深度自编码基础 167
7.1.2  极限学习机的概念 171
7.1.3  局部感受野基础知识 173
7.2  基于栈式极限学习机的肺结节分类及诊断方法 173
7.2.1  数据预处理 173
7.2.2  基于栈式极限学习机的肺结节分类方法框架 175
7.2.3  深度自编码网络构建 176
7.2.4  网络检测结果及分析 178
7.2.5  网络评价指标及分析 179
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 180
7.3.1  数据半监督预处理 181
7.3.2  限制差分权重优化方法 181
7.3.3  深度极限学习机的降噪自编码网络构建 183
7.3.4  多模态特征的融合和分类 184
7.3.5  分类性能分析 185
7.3.6  不同诊断方法的分析 187
7.4  基于半监督自编码的孤立性肺结节检测 188
7.4.1  局部感受野的多特征学习 188
7.4.2  融合临床信息的深度半监督稀疏自编码 190
7.4.3  融合临床信息的栈式稀疏自编码 192
7.4.4  实验及结果分析 193
7.5  本章小结 194
参考文献 196
 
 
本站首页 | 联系我们 | 所有图书 | 资源下载 | 作者投稿 | 读者反馈 | 业务联系 | 招聘信息 | 精品配套 | 加入收藏    
Copyright www.abook.cn All Rights Reserved
地址:北京市海淀区北三环西路43号青云当代大厦21层2109   邮编:100086
站长QQ:693638799 Email:693638799@qq.com 电话:010-62140850
版权所有:科学出版社 职教技术出版中心
京ICP备13039988号