作品简介

医学图像分析已是当前医学研究、诊断和治疗中必不可少的技术手段。医学图像中含有重要的生理、病理信息等知识,但由于图像中的信息量大、维度高,这些信息在医学图像中表现复杂,所以挖掘难度很大。尽管从二十世纪五六十年代起,学者专家都在尝试用计算机辅助手段从中挖掘有价值的诊断信息,但效果一直不理想,直到近几年,随着机器学习算法陆续取得重要进展,人类步入深度学习时代,医学图像辅助检测与诊断技术才有了较大进步。本书内容由浅入深,从易到难,各章节既相对独立,又前后关联。既适合对医学图像分析有兴趣的爱好者作为入门读物,以了解本领域背景和基础知识,也能为计算机医学图像分析研究领域的学者带来创新思路。

郑光远,男,1976年3月出生于河南商丘,2020年毕业于北京理工大学,获工学博士学位。现于上海建桥学院任教,副教授。参编有《可视化编程应用》、《全国计算机等级考试系列教程.三级网络技术》等书,在《软件学报》和SCI期刊上发表多篇文章。曾担任《计算机学报》、《电讯技术》期刊和《IEEE Access》、《Wireless Communications and Mobile Computing》等SCI期刊的审稿人。现主要研究方向是机器学习、计算机视觉、医学图像分析等。

作品目录

  • 前言
  • 基础篇 医学图像计算机辅助检测与诊断、深度学习算法基础知识
  • 绪论
  • 第1章 医学图像计算机辅助检测/诊断(CAD)系统
  • 1.1 医学图像CAD系统概述
  • 1.2 不同部位医学图像CAD系统分述
  • 1.3 医学图像CAD的性能评估
  • 1.4 系统所用算法和特征汇总
  • 1.5 面临的问题和研究展望
  • 1.6 未来展望
  • 1.7 结语
  • 第2章 深度学习算法
  • 2.1 引言
  • 2.2 推理期
  • 2.3 知识期
  • 2.4 学习期
  • 2.5 结语
  • 应用篇 深度学习算法应用于肺结节诊断案例
  • 第3章 肺结节深度学习诊断引论
  • 3.1 研究目的和意义
  • 3.2 研究目标和内容
  • 3.3 实验样本选择
  • 第4章 基于人工免疫优化的征象分类网络融合方法
  • 4.1 引言
  • 4.2 子网络融合的人工免疫优化方法
  • 4.3 征象分类方法
  • 4.4 实验与结果分析
  • 4.5 结语
  • 第5章 结合半监督协同学习与深度学习的征象模糊分类方法
  • 5.1 引言
  • 5.2 模糊协同森林
  • 5.3 融合生成对抗的半监督协同学习
  • 5.4 实验与结果分析
  • 5.5 结语
  • 第6章 胶囊网络的三元组强化学习及其征象分类方法
  • 6.1 引言
  • 6.2 相关工作
  • 6.3 TriCaps-RL方法
  • 6.4 实验与结果分析
  • 6.5 结语
  • 第7章 后记
  • 7.1 工作总结
  • 7.2 未来展望
  • 参考文献
  • 附录A 英文缩略词与英文全称对照表
展开全部