123,123,123

內(nèi)容簡(jiǎn)介

　　《腫瘤細(xì)胞圖像識(shí)別》主要針對(duì)腫瘤細(xì)胞圖像識(shí)別展開論述，介紹了作者多年研究腫瘤細(xì)胞圖像識(shí)別工作的豐富研究成果，腫瘤細(xì)胞圖像識(shí)別是醫(yī)療影像智能化的核心技術(shù)之一。《腫瘤細(xì)胞圖像識(shí)別》主要針對(duì)腫瘤細(xì)胞圖像識(shí)別展開論述，系統(tǒng)論述了目前圖像識(shí)別相關(guān)的熱門理論，對(duì)流行的多種模式識(shí)別理論都有較詳細(xì)的介紹。《腫瘤細(xì)胞圖像識(shí)別》共分9章，主要內(nèi)容包括：腫瘤細(xì)胞圖像識(shí)別概論、圖像常用預(yù)處理方法、圖像常用特征提取方法、圖像常用識(shí)別方法、常用腫瘤細(xì)胞圖像分類識(shí)別方法及其優(yōu)化，并且重點(diǎn)介紹了作者團(tuán)隊(duì)近年來研究的3類腫瘤細(xì)胞圖像識(shí)別模型的架構(gòu)和算法，介紹了具體實(shí)驗(yàn)過程和實(shí)驗(yàn)結(jié)論，后介紹了實(shí)用性的腫瘤診斷病理分析軟件，對(duì)腫瘤智能化診斷技術(shù)做了有益的探索和實(shí)踐?！赌[瘤細(xì)胞圖像識(shí)別》既可作為專業(yè)研究人員的參考書，也可作為模式識(shí)別初學(xué)者的實(shí)踐學(xué)習(xí)資料。

作者簡(jiǎn)介

暫缺《腫瘤細(xì)胞圖像識(shí)別》作者簡(jiǎn)介

圖書目錄

第1章腫瘤細(xì)胞圖像識(shí)別概論
1．1 腫瘤細(xì)胞圖像識(shí)別的背景
1．2 腫瘤細(xì)胞圖像識(shí)別的研究現(xiàn)狀
1．2．1 國外研究現(xiàn)狀
1．2．2 國內(nèi)研究現(xiàn)狀
1．3 腫瘤細(xì)胞圖像及其特點(diǎn)
1．3．1 原始腫瘤細(xì)胞圖像
1．3．2 腫瘤細(xì)胞圖像的特點(diǎn)
1．3．3 灰度化腫瘤細(xì)胞圖像
第2章圖像常用預(yù)處理方法
2．1 圖像預(yù)處理
2．2 圖像灰度化
2．2．1 圖像的灰度化
2．2．2 圖像的灰度修正
2．3 圖像增強(qiáng)
2．3．1 頻域圖像增強(qiáng)方法
2．3．2 圖像的灰度變換
2．3．3 直方圖處理
2．3．4 圖像的空間域平滑
2．3．5 圖像的銳化
第3章圖像常用特征提取方法
3．1 圖像特征及常用提取方法概述
3．1．1 圖像特征概述
3．1．2 圖像常用特征
3．1．3 圖像常用特征提取方法
3．2 主成分分析方法
3．2．1 PCA概述
3．2．2 總體主成分的計(jì)算與選取
3．2．3 PCA方法基本流程
3．3 流形學(xué)習(xí)方法
3．3．1 流形學(xué)習(xí)概述
3．3．2 流形學(xué)習(xí)的代表方法
3．3．3 LLE算法原理
3．4 稀疏編碼方法
3．4．1 稀疏編碼概述
3．4．2 自然圖像的稀疏性與稀疏編碼模型
3．4．3 稀疏編碼模型的統(tǒng)計(jì)學(xué)原理
3．4．4 稀疏編碼方法原理
3．5 壓縮感知方法
3．5．1 壓縮感知概述
3．5．2 信號(hào)的采樣過程
3．5．3 CS數(shù)學(xué)模型
3．5．4 基于CS的特征提取算法原理
第4章圖像常用識(shí)別方法
4．1 基于線性判別分析的分類識(shí)別方法
4．1．1 LDA概述
4．1．2 LDA方法原理
4．1．3 LDA方法的局限性及解決方法
4．2 基于支持向量機(jī)的分類識(shí)別方法
4．2．1 SVM概述
4．2．2 SVM方法原理
4．2．3 SVM核函數(shù)及多分類方法
4．3 基于決策樹的分類識(shí)別方法
4．3．1 決策樹分類方法概述
4．3．2 決策樹分類的步驟
4．3．3 C4．5 決策樹算法
4．4 基于貝葉斯的分類識(shí)別方法
4．4．1 貝葉斯分類概述
4．4．2 樸素貝葉斯分類方法
4．5 基于神經(jīng)網(wǎng)絡(luò)的分類識(shí)別方法
4．5．1 神經(jīng)網(wǎng)絡(luò)概述
4．5．2 神經(jīng)網(wǎng)絡(luò)分類原理
4．5．3 SOFM分類方法
第5章腫瘤細(xì)胞圖像的常用識(shí)別方法
5．1 基于改進(jìn)的PCA LDA的腫瘤細(xì)胞圖像識(shí)別
5．1．1 傳統(tǒng)PCA LDA變換流程與實(shí)現(xiàn)
5．1．2 泛化問題的產(chǎn)生和解決
5．1．3 基于改進(jìn)PCA LDA的識(shí)別算法
5．1．4 實(shí)驗(yàn)與結(jié)論
5．2 基于雙向2DPCA SVM的腫瘤細(xì)胞圖像識(shí)別
5．2．1 2DPCA方法
5．2．2 雙向2DPCA特征提取算法原理
5．2．3 基于2DPCA SVM的識(shí)別算法
5．2．4 實(shí)驗(yàn)與結(jié)論
5．3 基于LLE LS SVM的腫瘤細(xì)胞圖像識(shí)別
5．3．1 LLE和LS SVM算法原理
5．3．2 基于LLE LS SVM的識(shí)別算法
5．3．3 實(shí)驗(yàn)與結(jié)論
5．4 基于SAM-CS SOFM的腫瘤細(xì)胞圖像識(shí)別
5．4．1 自適應(yīng)觀測(cè)矩陣的壓縮感知算法
5．4．2 基于SAM-CS SOFM的識(shí)別算法
5．4．3 實(shí)驗(yàn)與結(jié)論
第6章基于字典學(xué)習(xí)的RRC腫瘤細(xì)胞圖像識(shí)別
6．1 稀疏表示分類原理
6．2 稀疏表示模型用于圖像識(shí)別需要考慮的問題
6．3 FDDL與正則化魯棒稀疏表示模型
6．3．1 FDDL
6．3．2 RRC模型
6．4 基于字典學(xué)習(xí)的RRC腫瘤細(xì)胞圖像識(shí)別
6．4．1 算法設(shè)計(jì)
6．4．2 算法實(shí)現(xiàn)
6．5 實(shí)驗(yàn)與結(jié)論
6．5．1 灰度化系數(shù)選擇
6．5．2 參數(shù)t值的確定
6．5．3 兩種分類模型的比較
6．5．4 不同稀疏表示分類方法的比較
6．5．5 不同識(shí)別方法的比較
6．5．6 結(jié)論