基于深度學(xué)習(xí)的醫(yī)學(xué)圖像數(shù)據(jù)可視化分析與處理

第1章 緒論
1．1 醫(yī)學(xué)影像可視化分析
1．2 醫(yī)學(xué)影像處理
1．3 深度學(xué)習(xí)技術(shù)
1．4 基于深度學(xué)習(xí)的肺結(jié)節(jié)計(jì)算機(jī)輔助診斷技術(shù)
1．5 本書的結(jié)構(gòu)
第2章 肺部醫(yī)學(xué)圖像的二維分割
2．1 基礎(chǔ)概念與理論
2．2 基于超像素和自生成神經(jīng)森林的肺實(shí)質(zhì)序列圖像分割方法
2．2．1 肺實(shí)質(zhì)分割
2．2．2 肺實(shí)質(zhì)聚類
2．2．3 肺實(shí)質(zhì)序列圖像分割
2．2．4 分割方法結(jié)果
2．2．5 分割時(shí)間
2．3 改進(jìn)GAC模型肺部薄掃CT序列圖像分割法
2．3．1 初始輪廓的構(gòu)造
2．3．2 肺實(shí)質(zhì)分割
2．3．3 肺實(shí)質(zhì)序列的分割效果
2．3．4 實(shí)驗(yàn)結(jié)果與分析
2．4 肺部薄掃CT序列圖像的肺結(jié)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(jìn)的DBSCAN超像素序列圖像聚類算法
2．4．4 分割結(jié)果
2．4．5 實(shí)驗(yàn)結(jié)果與分析
2．5 血管粘連型肺結(jié)節(jié)序列圖像的分割方法
2．5．1 預(yù)處理
2．5．2 改進(jìn)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(jié)節(jié)的分割結(jié)果
2．5．6 實(shí)驗(yàn)結(jié)果與分析
2．6 本章小結(jié)
第3章 肺部醫(yī)學(xué)圖像的三維分割和檢測
3．1 基礎(chǔ)概念與理論
3．2 基于多模態(tài)數(shù)據(jù)和超體素的肺結(jié)節(jié)圖像三維分割方法
3．2．1 肺結(jié)節(jié)區(qū)域提取
3．2．2 肺結(jié)節(jié)區(qū)域分割與重建
3．2．3 不同類型肺結(jié)節(jié)的分割
3．2．4 3D分割結(jié)果的分析
3．3 基于3D特征的肺結(jié)節(jié)自動檢測方法
3．3．1 肺實(shí)質(zhì)序列圖像的分割
3．3．2 結(jié)節(jié)和血管模型
3．3．3 結(jié)節(jié)血管增強(qiáng)濾波器
3．3．4 高斯函數(shù)多尺度計(jì)算
3．3．5 疑似結(jié)節(jié)提取
3．3．6 肺分割和疑似結(jié)節(jié)檢測結(jié)果和分析
3．3．7 特征提取結(jié)果
3．3．8 SVM分類結(jié)果與分析
3．4 基于三維形狀指數(shù)的肺結(jié)節(jié)自動檢測方法
3．4．1 肺部序列CT圖像預(yù)處理
3．4．2 三維肺結(jié)節(jié)類球形濾波器構(gòu)建
3．4．3 構(gòu)建類球形濾波器結(jié)節(jié)檢測函數(shù)
3．4．4 實(shí)驗(yàn)平臺及數(shù)據(jù)
3．4．5 檢測結(jié)果及分析
3．5 本章小結(jié)
第4章 肺部病灶圖像的快速檢索
4．1 基礎(chǔ)概念與理論
4．2 基于有監(jiān)督哈希的肺結(jié)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(gòu)造哈希函數(shù)
4．2．4 查詢圖像的檢索
4．2．5 實(shí)驗(yàn)數(shù)據(jù)
4．2．6 肺結(jié)節(jié)特征量化
4．2．7 參數(shù)討論及分析
4．3 基于醫(yī)學(xué)征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)CT圖像哈希檢索
4．3．1 構(gòu)造訓(xùn)練集準(zhǔn)確的二值碼
4．3．2 肺結(jié)節(jié)重要語義特征提取
4．3．3 哈希函數(shù)的學(xué)習(xí)
4．3．4 肺結(jié)節(jié)的檢索過程
4．3．5 實(shí)驗(yàn)數(shù)據(jù)集與實(shí)驗(yàn)設(shè)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(quán)哈希碼的肺結(jié)節(jié)CT圖像檢索
4．4．1 提取肺結(jié)節(jié)的重要語義特征
4．4．2 構(gòu)造哈希函數(shù)
4．4．3 基于LS的多標(biāo)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(jié)節(jié)的自適應(yīng)檢索
4．4．6 哈希函數(shù)的參數(shù)討論
4．5 基于征象標(biāo)簽的肺結(jié)節(jié)圖像檢索
4．5．1 圖像預(yù)處理
4．5．2 構(gòu)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(jié)果及分析
4．6 基于深度哈希的肺結(jié)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(jié)果
4．7 本章小結(jié)
第5章 基于深度信念網(wǎng)絡(luò)的肺結(jié)節(jié)分類模型
5．1 基礎(chǔ)概念與理論
5．1．1 受限玻爾茲曼機(jī)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(luò)的肺結(jié)節(jié)良惡性分類方法
5．2．1 構(gòu)建數(shù)據(jù)集
5．2．2 深度信念網(wǎng)絡(luò)（PndDBN-5）的構(gòu)建及訓(xùn)練
5．2．3 DBN層數(shù)分析
5．2．4 隱含層節(jié)點(diǎn)數(shù)分析
5．2．5 RBM的學(xué)習(xí)率分析
5．3 改進(jìn)的深度信念網(wǎng)絡(luò)肺結(jié)節(jié)良惡性分類方法
5．3．1 數(shù)據(jù)預(yù)處理
5．3．2 改進(jìn)的深度信念網(wǎng)絡(luò)（Pnd-EDBN）的構(gòu)建
5．3．3 改進(jìn)的深度信念網(wǎng)絡(luò)（Pnd-EDBN）的訓(xùn)練
5．3．4 隱含層數(shù)分析
5．3．5 隱含層數(shù)節(jié)點(diǎn)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(luò)的肺結(jié)節(jié)檢測方法
5．4．1 肺結(jié)節(jié)疑似區(qū)域提取
5．4．2 構(gòu)建2．5 維結(jié)構(gòu)
5．4．3 DBN訓(xùn)練過程
5．4．4 參數(shù)設(shè)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(jié)
第6章 基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測與分類
6．1 基礎(chǔ)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(luò)的肺結(jié)節(jié)檢測模型
6．2．1 數(shù)據(jù)預(yù)處理
6．2．2 卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)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(jià)指標(biāo)
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(luò)和主成分分析法結(jié)合的肺結(jié)節(jié)特征提取方法
6．3．1 數(shù)據(jù)預(yù)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(xùn)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(luò)肺結(jié)節(jié)檢測模型
6．4．1 數(shù)據(jù)預(yù)處理
6．4．2 多輸入卷積神經(jīng)網(wǎng)絡(luò)
6．4．3 實(shí)驗(yàn)結(jié)果與分析
6．5 基于卷積和反卷積神經(jīng)網(wǎng)絡(luò)肺部微小結(jié)節(jié)的檢測模型
6．5．1 卷積反卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建
6．5．2 檢測結(jié)果與分析
6．6 本章小結(jié)
第7章 深度自編碼結(jié)合極限學(xué)習(xí)機(jī)的孤立性肺結(jié)節(jié)分類診斷
7．1 基礎(chǔ)概念與理論
7．1．1 深度自編碼基礎(chǔ)
7．1．2 極限學(xué)習(xí)機(jī)的概念
7．1．3 局部感受野基礎(chǔ)知識
7．2 基于棧式極限學(xué)習(xí)機(jī)的肺結(jié)節(jié)分類及診斷方法
7．2．1 數(shù)據(jù)預(yù)處理
7．2．2 基于棧式極限學(xué)習(xí)機(jī)的肺結(jié)節(jié)分類方法框架
7．2．3 深度自編碼網(wǎng)絡(luò)構(gòu)建
7．2．4 網(wǎng)絡(luò)檢測結(jié)果及分析
7．2．5 網(wǎng)絡(luò)評價(jià)指標(biāo)及分析
7．3 基于雙模態(tài)深度極限學(xué)習(xí)機(jī)的自編碼肺結(jié)節(jié)診斷方法
7．3．1 數(shù)據(jù)半監(jiān)督預(yù)處理
7．3．2 限制差分權(quán)重優(yōu)化方法
7．3．3 深度極限學(xué)習(xí)機(jī)的降噪自編碼網(wǎng)絡(luò)構(gòu)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(jié)節(jié)檢測
7．4．1 局部感受野的多特征學(xué)習(xí)
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(shí)驗(yàn)及結(jié)果分析
7．5 本章小結(jié)
參考文獻(xiàn)