幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習在醫學圖像中的應用

  • 作者：鄭光遠|責編:劉志紅
  • 出版社：電子工業
  • ISBN：9787121446733
  • 出版日期：2022/12/01
  • 裝幀：平裝
  • 頁數：232
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    醫學圖像分析已是當前醫學研究、診斷和治療中必不可少的技術手段。醫學圖像中包含重要的生理、病理等信息，但由於圖像中的信息量大、維度高，這些信息在醫學圖像中表現複雜，所以挖掘難度很大。儘管從二十世紀五六十年代起，學者專家都在嘗試用電腦輔助手段從中挖掘有價值的診斷信息，但效果一直不理想，直到近幾年，隨著機器學習演算法陸續取得重要進展，人類步入深度學習時代，醫學圖像輔助檢測與診斷技術才有了較大進步。
    本書內容由淺入深，從易到難，各章節既相對獨立，又前後關聯，既適合對醫學圖像分析有興趣的愛好者作為入門讀物，也能為電腦醫學圖像分析研究領域的學者帶來創新思路。
作者介紹
鄭光遠|責編:劉志紅
    鄭光遠，男，工學博士，副教授，碩士生導師。主要科研教學經歷：2020年獲得北京理工大學博士學位，長期從事深度學習與單片機方面的科學研究及教學工作。科研成果：主持參與國家自然科學基金和省部計劃等項目10余項，在人工智慧、醫學圖像分析與電腦視覺等領域的國內外知名學術期刊發表SCI等學術論文10余篇；出版學術著作2部；發名專利3項。
目錄
基礎篇  醫學圖像電腦輔助檢測與診斷、深度學習演算法基礎知識
  緒論
  第1章  醫學圖像電腦輔助檢測/診斷（CAD）系統
    1.1  醫學圖像CAD系統概述
    1.2  不同部位醫學圖像CAD系統分述
      1.2.1  基於胸部X線片的肺結節CAD系統
      1.2.2  基於CT圖像的肺部CAD系統
      1.2.3  乳腺醫學圖像CAD系統
      1.2.4  結直腸醫學圖像CAD系統
      1.2.5  前列腺醫學圖像CAD系統
      1.2.6  其他前列腺癌相關醫學圖像CAD系統
    1.3  醫學圖像CAD的性能評估
      1.3.1  醫學圖像數據集
      1.3.2  評估方法
    1.4  系統所用演算法和特徵匯總
    1.5  面臨的問題和研究展望
    1.6  未來展望
    1.7  結語
  第2章  深度學習方法
    2.1  引言
    2.2  推理期
    2.3  知識期
    2.4  學習期
      2.4.1  BP神經網路
      2.4.2  淺層機器學習演算法
      2.4.3  深度學習演算法
      2.4.4  全連接網路
      2.4.5  AlexNet網路
    2.5  本章小結
應用篇  深度學習演算法應用於肺結節診斷案例
  第3章  肺結節深度學習診斷引論
    3.1  研究目的和意義
    3.2  研究目標和內容
      3.2.1  基於人工免疫優化的徵象分類網路融合方法
      3.2.2  結合半監督協同學習與深度學習的徵象模糊分類方法
      3.2.3  膠囊網路的三元組強化學習及其徵象分類方法
    3.3  實驗樣本選擇
      3.3.1  樣本圖像尺寸
      3.3.2  徵象選擇
  第4章  基於人工免疫優化的徵象分類網路融合方法
    4.1  引言
    4.2  子網路融合的人工免疫優化方法
      4.2.1  預測親和度與剩餘平均相似度
      4.2.2  克隆與變異
    4.3  徵象分類方法
      4.3.1  子網路構成
      4.3.2  集成決策分類
    4.4  實驗與結果分析
      4.4.1  實驗設置
      4.4.2  網路訓練

      4.4.3  集成分類器與子分類器性能比較
      4.4.4  AIA-DNF與其他分類器融合方法比較
      4.4.5  AIA-DNF方法與其他二分類方法比較
      4.4.6  多級Inception網路與傳統CNN比較
    4.5  結語
  第5章  結合半監督協同學習與深度學習的徵象模糊分類方法
    5.1  引言
    5.2  模糊協同森林
      5.2.1  特徵提取
      5.2.2  構建協同森林
      5.2.3  模糊分類
    5.3  融合生成對抗的半監督協同學習
      5.3.1  DCGAN
      5.3.2  半監督協同學習
    5.4  實驗與結果分析
      5.4.1  實驗設置
      5.4.2  DFF-Co-forest的分類效果
      5.4.3  模糊分類策略的效果
      5.4.4  演算法性能比較
    5.5  結語
  第6章  膠囊網路的三元組強化學習及其徵象分類方法
    6.1  引言
    6.2  相關工作
    6.3  TriCaps-RL方法
      6.3.1  三元膠囊網路
      6.3.2  兩階段強化學習
    6.4  實驗與結果分析
      6.4.1  實驗設置
      6.4.2  學習效果
      6.4.3  TriCaps-RL方法的分類性能
      6.4.4  TriCaps-RL與DQN性能對比
      6.4.5  TriCaps-RL與其他二分類方法對比
    6.5  結語
  第7章  後記
    7.1  工作總結
    7.2  未來展望
參考文獻
附錄A  英文縮略詞與英文全稱對照表

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032