基于深度學習的醫(yī)學圖像數(shù)據(jù)可視化分析與處理

第1章 緒論
1．1 醫(yī)學影像可視化分析
1．2 醫(yī)學影像處理
1．3 深度學習技術
1．4 基于深度學習的肺結節(jié)計算機輔助診斷技術
1．5 本書的結構
第2章 肺部醫(yī)學圖像的二維分割
2．1 基礎概念與理論
2．2 基于超像素和自生成神經(jīng)森林的肺實質(zhì)序列圖像分割方法
2．2．1 肺實質(zhì)分割
2．2．2 肺實質(zhì)聚類
2．2．3 肺實質(zhì)序列圖像分割
2．2．4 分割方法結果
2．2．5 分割時間
2．3 改進GAC模型肺部薄掃CT序列圖像分割法
2．3．1 初始輪廓的構造
2．3．2 肺實質(zhì)分割
2．3．3 肺實質(zhì)序列的分割效果
2．3．4 實驗結果與分析
2．4 肺部薄掃CT序列圖像的肺結節(jié)分割方法
2．4．1 超像素序列圖像分割算法
2．4．2 聚類起始塊和聚類閾值的確定
2．4．3 改進的DBSCAN超像素序列圖像聚類算法
2．4．4 分割結果
2．4．5 實驗結果與分析
2．5 血管粘連型肺結節(jié)序列圖像的分割方法
2．5．1 預處理
2．5．2 改進的超像素序列分割
2．5．3 超像素樣本特征提取
2．5．4 距離約束稀疏子空間聚類
2．5．5 血管粘連型肺結節(jié)的分割結果
2．5．6 實驗結果與分析
2．6 本章小結
第3章 肺部醫(yī)學圖像的三維分割和檢測
3．1 基礎概念與理論
3．2 基于多模態(tài)數(shù)據(jù)和超體素的肺結節(jié)圖像三維分割方法
3．2．1 肺結節(jié)區(qū)域提取
3．2．2 肺結節(jié)區(qū)域分割與重建
3．2．3 不同類型肺結節(jié)的分割
3．2．4 3D分割結果的分析
3．3 基于3D特征的肺結節(jié)自動檢測方法
3．3．1 肺實質(zhì)序列圖像的分割
3．3．2 結節(jié)和血管模型
3．3．3 結節(jié)血管增強濾波器
3．3．4 高斯函數(shù)多尺度計算
3．3．5 疑似結節(jié)提取
3．3．6 肺分割和疑似結節(jié)檢測結果和分析
3．3．7 特征提取結果
3．3．8 SVM分類結果與分析
3．4 基于三維形狀指數(shù)的肺結節(jié)自動檢測方法
3．4．1 肺部序列CT圖像預處理
3．4．2 三維肺結節(jié)類球形濾波器構建
3．4．3 構建類球形濾波器結節(jié)檢測函數(shù)
3．4．4 實驗平臺及數(shù)據(jù)
3．4．5 檢測結果及分析
3．5 本章小結
第4章 肺部病灶圖像的快速檢索
4．1 基礎概念與理論
4．2 基于有監(jiān)督哈希的肺結節(jié)CT圖像檢索
4．2．1 獲取ROI圖像
4．2．2 多特征提取
4．2．3 構造哈希函數(shù)
4．2．4 查詢圖像的檢索
4．2．5 實驗數(shù)據(jù)
4．2．6 肺結節(jié)特征量化
4．2．7 參數(shù)討論及分析
4．3 基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡的肺結節(jié)CT圖像哈希檢索
4．3．1 構造訓練集準確的二值碼
4．3．2 肺結節(jié)重要語義特征提取
4．3．3 哈希函數(shù)的學習
4．3．4 肺結節(jié)的檢索過程
4．3．5 實驗數(shù)據(jù)集與實驗設置
4．3．6 參數(shù)討論及分析
4．4 基于多層次語義特征和加權哈希碼的肺結節(jié)CT圖像檢索
4．4．1 提取肺結節(jié)的重要語義特征
4．4．2 構造哈希函數(shù)
4．4．3 基于LS的多標簽優(yōu)化
4．4．4 基于PCA投影的數(shù)據(jù)降維
4．4．5 待查詢肺結節(jié)的自適應檢索
4．4．6 哈希函數(shù)的參數(shù)討論
4．5 基于征象標簽的肺結節(jié)圖像檢索
4．5．1 圖像預處理
4．5．2 構建雙概率超圖
4．5．3 基于概率超圖的光譜哈希
4．5．4 查詢樣本檢索
4．5．5 檢索精度結果及分析
4．6 基于深度哈希的肺結節(jié)圖像檢索
4．6．1 提取圖像深度特征
4．6．2 稀疏有監(jiān)督哈希
4．6．3 檢索結果
4．7 本章小結
第5章 基于深度信念網(wǎng)絡的肺結節(jié)分類模型
5．1 基礎概念與理論
5．1．1 受限玻爾茲曼機理論
5．1．2 馬爾可夫鏈蒙特卡羅方法
5．1．3 Gibbs采樣
5．1．4 對比散度算法
5．2 基于深度信念網(wǎng)絡的肺結節(jié)良惡性分類方法
5．2．1 構建數(shù)據(jù)集
5．2．2 深度信念網(wǎng)絡（PndDBN-5）的構建及訓練
5．2．3 DBN層數(shù)分析
5．2．4 隱含層節(jié)點數(shù)分析
5．2．5 RBM的學習率分析
5．3 改進的深度信念網(wǎng)絡肺結節(jié)良惡性分類方法
5．3．1 數(shù)據(jù)預處理
5．3．2 改進的深度信念網(wǎng)絡（Pnd-EDBN）的構建
5．3．3 改進的深度信念網(wǎng)絡（Pnd-EDBN）的訓練
5．3．4 隱含層數(shù)分析
5．3．5 隱含層數(shù)節(jié)點組合
5．3．6 交叉熵稀疏懲罰因子
5．4 基于多視角深度信念網(wǎng)絡的肺結節(jié)檢測方法
5．4．1 肺結節(jié)疑似區(qū)域提取
5．4．2 構建2．5 維結構
5．4．3 DBN訓練過程
5．4．4 參數(shù)設置
5．4．5 融合策略分析
5．4．6 循環(huán)次數(shù)分析
5．4．7 不同方法對比及討論
5．5 本章小結
第6章 基于卷積神經(jīng)網(wǎng)絡的肺結節(jié)檢測與分類
6．1 基礎概念與理論
6．1．1 卷積與反卷積理論
6．1．2 降采樣（池化）理論
6．1．3 激活函數(shù)
6．2 基于卷積神經(jīng)網(wǎng)絡的肺結節(jié)檢測模型
6．2．1 數(shù)據(jù)預處理
6．2．2 卷積神經(jīng)網(wǎng)絡的肺結節(jié)檢測（PndCnn-7）模型
6．2．3 正向傳播
6．2．4 誤差反向傳播
6．2．5 檢測的評價指標
6．2．6 PndCnn-7模型參數(shù)調(diào)整
6．3 基于卷積神經(jīng)網(wǎng)絡和主成分分析法結合的肺結節(jié)特征提取方法
6．3．1 數(shù)據(jù)預處理
6．3．2 特征提取
6．3．3 特征選擇
6．3．4 特征提取模型的訓練
6．3．5 不同特征的分類對比
6．4 基于多輸入卷積神經(jīng)網(wǎng)絡肺結節(jié)檢測模型
6．4．1 數(shù)據(jù)預處理
6．4．2 多輸入卷積神經(jīng)網(wǎng)絡
6．4．3 實驗結果與分析
6．5 基于卷積和反卷積神經(jīng)網(wǎng)絡肺部微小結節(jié)的檢測模型
6．5．1 卷積反卷積神經(jīng)網(wǎng)絡模型構建
6．5．2 檢測結果與分析
6．6 本章小結
第7章 深度自編碼結合極限學習機的孤立性肺結節(jié)分類診斷
7．1 基礎概念與理論
7．1．1 深度自編碼基礎
7．1．2 極限學習機的概念
7．1．3 局部感受野基礎知識
7．2 基于棧式極限學習機的肺結節(jié)分類及診斷方法
7．2．1 數(shù)據(jù)預處理
7．2．2 基于棧式極限學習機的肺結節(jié)分類方法框架
7．2．3 深度自編碼網(wǎng)絡構建
7．2．4 網(wǎng)絡檢測結果及分析
7．2．5 網(wǎng)絡評價指標及分析
7．3 基于雙模態(tài)深度極限學習機的自編碼肺結節(jié)診斷方法
7．3．1 數(shù)據(jù)半監(jiān)督預處理
7．3．2 限制差分權重優(yōu)化方法
7．3．3 深度極限學習機的降噪自編碼網(wǎng)絡構建
7．3．4 多模態(tài)特征的融合和分類
7．3．5 分類性能分析
7．3．6 不同診斷方法的分析
7．4 基于半監(jiān)督自編碼的孤立性肺結節(jié)檢測
7．4．1 局部感受野的多特征學習
7．4．2 融合臨床信息的深度半監(jiān)督稀疏自編碼
7．4．3 融合臨床信息的棧式稀疏自編碼
7．4．4 實驗及結果分析
7．5 本章小結
參考文獻