基于深度学习的医学图像数据可视化分析与处理 (强彦)

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。

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

3.2.43D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

3.3.8SVM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

5.1.3Gibbs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

5.2.3DBN层数分析122

5.2.4隐含层节点数分析122

5.2.5RBM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

5.4.3DBN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

6.2.6PndCnn-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

评论

加载更多