基于深度學習的醫學圖像數據可視化分析與處理--詳細介紹

圖書搜索
幫助
熱門圖書
EDA技術實用教程——V...
平面設計基礎(第二版)
管理學基礎
食品理化檢驗技術
內蒙古大興安嶺汗馬國家級...
基于深度學習的醫學圖像數...
推薦系統進展:方法與技術
汽車維護實訓指導
學前兒童區域游戲經典案例
機電設備基本電路裝接與調...
數控車削操作與實訓
基于評估的智障學生職業教...
中國中西部南北旅游大通道...
體能和形體訓練(下)
C語言程序設計實驗指導與...
電子技術基礎與實訓教程
成本核算與管理
機電設備操作
建筑裝飾工程施工組織與管...
計算機公共基礎與MS O...
調頻阻尼減震結構理論與設...
財經法規與會計職業道德
[ 本科及研究生教材 ]
    [ 信息技術,電子 ]
        [ 信息技術,電子 ]
    [ 經濟管理 ]
        [ 經濟管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 機械,制造 ]
        [ 機械,制造 ]
    [ 公共課 ]
        [ 公共課 ]
[ 高職高專教材 ]
    [ 信息技術,電子 ]
        [ 信息技術,電子 ]
    [ 經濟管理 ]
        [ 經濟管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 機械,制造 ]
        [ 機械,制造 ]
    [ 農林環境 ]
        [ 農林環境 ]
    [ 公共課 ]
        [ 公共課 ]
[ 中職中專教材 ]
    [ 信息技術,電子 ]
        [ 信息技術,電子 ]
    [ 經濟管理 ]
        [ 經濟管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 機械,制造 ]
        [ 機械,制造 ]
    [ 公共課 ]
        [ 公共課 ]
[ 店銷書,專著 ]
    [ 信息技術,電子 ]
        [ 信息技術,電子 ]
    [ 經濟管理 ]
        [ 經濟管理 ]
    [ 建筑 ]
        [ 建筑 ]
    [ 機械,制造 ]
        [ 機械,制造 ]
    [ 農林環境 ]
        [ 農林環境 ]
    [ 其他 ]
        [ 其他 ]
 當前位置:店銷書,專著 信息技術,電子 信息技術,電子 信息技術,電子 基于深度學習的醫學圖像數據可視化分析與處理
   
基于深度學習的醫學圖像數據可視化分析與處理
作者:強彥,
書名:基于深度學習的醫學圖像數據可視化分析與處理
定價:¥ 108 元
光盤: 
叢書名:  
免費資源下載:
本書PPT下載:
目錄和樣章下載: 樣章下載地址
開本: 小16K
標準書號: 978-7-03-057136-6
字數(千): 254
頁數: 216
出版日期: 2019-1-28
發行號: TP-7945.0101
裝幀: 平裝
點擊熱度: 6477
最新印刷日期:    
 
編輯推薦
...........................................................................................................................................
 
獲獎情況
...........................................................................................................................................
 
圖書介紹
...........................................................................................................................................
  本書融合當前模式識別、人工智能技術的發展和作者科研實踐的研究成果,詳細描述了基于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、深度信念網絡、卷積神經網絡和極限學習機等技術提取特征,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、人工智能和深度學習相關專業的教材,也可供專門從事智能信息處理、人工智能領域的科研人員和應用人員學習、參考。
 
前言
...........................................................................................................................................
  深度學習于2006年,由加拿大多倫多大學教授、機器學習領域的泰斗Geoffrey Hinton和他的學生Ruslan Salakhutdinov提出,開啟了深度學習在學術界和工業界的研發和應用。深度學習是機器學習研究中一個新的領域,也是機器學習的重要方法之一,其動機在于建立模擬人腦進行分析學習的神經網絡來促進機器學習,它模仿人腦的機制來分析、處理、篩選各種數據,例如圖像、聲音、視頻和感知等。
  可視化是利用計算機圖形學和圖像處理技術,將數據轉換成三維圖形或圖像在屏幕上顯示出來,并進行交互處理的理論、方法和技術。它涉及計算機圖形學、圖像處理、計算機視覺、計算機輔助設計等多個領域,成為研究數據表示、數據處理、決策分析等一系列問題的綜合技術。目前正在飛速發展的虛擬現實技術也是以圖形圖像的可視化技術為依托的。
在大數據時代,如何充分利用人工智能、深度學習方法分析處理海量而復雜的醫學圖像大數據,為臨床醫學中各種重大疾病的篩查、診斷、治療計劃、治療圖像引導、療效評估和隨訪提供科學方法和先進技術,這是當前醫學圖像分析領域亟須解決的重大科學問題和前沿醫學影像關鍵技術。
  本書針對計算機斷層掃描影像進行研究,結合海量臨床診斷確診病例,提出肺部醫學圖像的二維及三維分割方法,并利用三維形狀指數及其他三維特征實現肺結節的自動檢測;研究并提出了基于醫學征象和卷積神經網絡的肺結節CT圖像哈希檢索方法;提出了基于深度信念網絡和卷積神經網絡的肺結節檢測模型并進一步實現良惡性分類;同時針對孤立性肺結節提出了深度自編碼結合極限學習機的分類方法,是國內基于深度學習的醫學圖像數據可視化分析與處理方面較為全面的一本書籍。
  本書是作者從事深度學習技術和數據可視化分析相關研究的總結,書中部分內容參考了國內外同行近年來在該研究領域各方面取得的最新成果,所列部分算法是在相關理論系統基礎算法上的改進和拓展,或可供讀者在科學研究和科技應用方面做參考。
  本書是作者在科研項目“基于長時程CT影像的肺部病灶生長演變規律建模及早期肺癌智能診斷研究”(國家自然科學基金項目,61872261)、“面向工作的可視分析理論與應用研究”(國家自然科學基金項目,61572344)和“基于深度學習的大規模CT圖像檢索方法研究”(虛擬現實國家重點實驗室項目,VRLAB2018B07)等項目最新研究成果的總結,并經過不斷改進和完善,最后凝練而成的。
  本書在撰寫過程中得到了趙涓涓、肖小嬌、張婭楠、趙鵬飛、董林佳、崔強、張偉、楊曉蘭、張婷、宋云霞和趙鑫等相關專家和相關項目組成員的大力支持和協助,在此表示衷心的感謝!
  由于作者學識有限,加上計算機科學技術發展很快,書中不妥之處在所難免,作者誠懇地希望各位專家和讀者不吝指教和幫助。


 
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  基于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  基于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  超像素樣本特征提取 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  基于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
3.2.4  3D分割結果的分析 47
3.3  基于3D特征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  高斯函數多尺度計算 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  特征提取結果 60
3.3.8  SVM分類結果與分析 63
3.4  基于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數 71
3.4.4  實驗平臺及數據 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  基于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  多特征提取 79
4.2.3  構造哈希函數 80
4.2.4  查詢圖像的檢索 82
4.2.5  實驗數據 83
4.2.6  肺結節特征量化 83
4.2.7  參數討論及分析 84
4.3  基于醫學征象和卷積神經網絡的肺結節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  肺結節重要語義特征提取 87
4.3.3  哈希函數的學習 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置 90
4.3.6  參數討論及分析 91
4.4  基于多層次語義特征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征 96
4.4.2  構造哈希函數 97
4.4.3  基于LS的多標簽優化 97
4.4.4  基于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  哈希函數的參數討論 100
4.5  基于征象標簽的肺結節圖像檢索 103
4.5.1  圖像預處理 103
4.5.2  構建雙概率超圖 104
4.5.3  基于概率超圖的光譜哈希 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  基于深度哈希的肺結節圖像檢索 110
4.6.1  提取圖像深度特征 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  基于深度信念網絡的肺結節分類模型 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
5.1.3  Gibbs采樣 118
5.1.4  對比散度算法 119
5.2  基于深度信念網絡的肺結節良惡性分類方法 120
5.2.1  構建數據集 120
5.2.2  深度信念網絡(PndDBN-5)的構建及訓練 121
5.2.3  DBN層數分析 122
5.2.4  隱含層節點數分析 122
5.2.5  RBM的學習率分析 123
5.3  改進的深度信念網絡肺結節良惡性分類方法 124
5.3.1  數據預處理 125
5.3.2  改進的深度信念網絡(Pnd-EDBN)的構建 126
5.3.3  改進的深度信念網絡(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  基于多視角深度信念網絡的肺結節檢測方法 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
5.4.3  DBN訓練過程 135
5.4.4  參數設置 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  基于卷積神經網絡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  降采樣(池化)理論 142
6.1.3  激活函數 143
6.2  基于卷積神經網絡的肺結節檢測模型 143
6.2.1  數據預處理 144
6.2.2  卷積神經網絡的肺結節檢測(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
6.2.6  PndCnn-7模型參數調整 147
6.3  基于卷積神經網絡和主成分分析法結合的肺結節特征提取方法 150
6.3.1  數據預處理 151
6.3.2  特征提取 151
6.3.3  特征選擇 152
6.3.4  特征提取模型的訓練 153
6.3.5  不同特征的分類對比 155
6.4  基于多輸入卷積神經網絡肺結節檢測模型 155
6.4.1  數據預處理 156
6.4.2  多輸入卷積神經網絡 158
6.4.3  實驗結果與分析 159
6.5  基于卷積和反卷積神經網絡肺部微小結節的檢測模型 161
6.5.1  卷積反卷積神經網絡模型構建 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  基于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  基于棧式極限學習機的肺結節分類方法框架 175
7.2.3  深度自編碼網絡構建 176
7.2.4  網絡檢測結果及分析 178
7.2.5  網絡評價指標及分析 179
7.3  基于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  限制差分權重優化方法 181
7.3.3  深度極限學習機的降噪自編碼網絡構建 183
7.3.4  多模態特征的融合和分類 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  基于半監督自編碼的孤立性肺結節檢測 188
7.4.1  局部感受野的多特征學習 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
 
 
本站首頁 | 聯系我們 | 所有圖書 | 資源下載 | 作者投稿 | 讀者反饋 | 業務聯系 | 招聘信息 | 加入收藏    
Copyright www.wzudfi.buzz All Rights Reserved
地址:北京市海淀區北三環西路43號青云當代大廈21層2109   郵編:100086
站長QQ:693638799 Email:[email protected] 電話:010-62140850
版權所有:科學出版社 職教技術出版中心
京ICP備13039988號
尚天国际棋牌下载