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

人工智慧與病理診斷/人工智慧前沿技術系列叢書

  • 作者：郟東耀|責編:嚴慧明
  • 出版社：北京交通大學
  • ISBN：9787512148857
  • 出版日期：2023/08/01
  • 裝幀：平裝
  • 頁數：302
人民幣：RMB 88 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    人工智慧與病理診斷是當前熱門的研究領域。針對目前病理診斷中人工智慧處理方法還存在諸多問題和局限性，本書第一次全面性介紹病理診斷中的人工智慧實現方法，是國內本領域第一部專著。本書所提出的人工智慧方法用於病理診斷中，重點關注病理診斷中遇到的各種問題，並闡述如何解決這些問題。同時，本書利用改進深度學習，各種前沿的神經網路等最新的研究成果和技術，能夠有效提升病理診斷的準確性和效率，顯著改善傳統病理診斷方法的缺陷和不足。本書由淺入深，生動具體地通過相關技術的實例對人工智慧技術在病理診斷領域的應用具體介紹，對於相關領域的研究者、病理醫生和學生等具有重要的參考價值和借鑒意義。
    本書通過展現人工智慧方法在病理診斷領域的諸多實例，有效展示將人工智慧與病理診斷結合的成果，具有較高的學術價值。
作者介紹
郟東耀|責編:嚴慧明
    　郟東耀，博士，北京交通大學副教授，博士生導師。美國IEEE高級會員（SeniorMember），中國自動化學會高級會員，中國電子學會高級會員。2006年畢業於清華大學精密測量技術及儀器國家重點實驗室，獲清華大學工學博士學位。主要科研方向為新型檢測技術及數據處理、智能視覺檢測技術、無線感測網新理論、新方法及其應用。國內外相關領域發表論文近70篇，其中SCI、EI檢索期刊論文50篇。主持或參與國家863重大專項子課題、國家863重大項目、國家自然科學基金重大項目、國家科技部「科技支撐」項目、地方鐵路局、地鐵公司、企業合作等多個工程科研項目。
目錄
1  人工智慧概述
  1.1  人工智慧的定義
  1.2  強人工智慧、弱人工智慧和超人工智慧
  1.3  人工智慧的研究方法
  1.4  人工智慧的基本應用
2  深度學習
  2.1  深度學習簡介
  2.2  人工神經網路下的深度學習
  2.3  典型的深度學習網路架構
    2.3.1  LeNet
    2.3.2  AlexNet
    2.3.3  VGGNet
    2.3.4  ResNet
    2.3.5  DenseNet
  2.4  深度學習的應用
    2.4.1  物體檢測
    2.4.2  圖像分割
    2.4.3  圖像標題生成
    2.4.4  圖像風格變換
    2.4.5  自動駕駛
3  病理診斷分析
  3.1  病理學基礎
    3.1.1  診斷病理學
    3.1.2  診斷病理學的任務
  3.2  病理診斷方法
    3.2.1  病理診斷設備
    3.2.2  病理診斷要點
    3.2.3  病理材料的存檔
    3.2.4  臨床與質量保證
  3.3  病理診斷中常見的病理過程
    3.3.1  組織和細胞的適應與損傷
    3.3.2  炎症
    3.3.3  腫瘤
4  細胞病理診斷
  4.1  細胞學基礎
  4.2  細胞病理學
    4.2.1  細胞病理學檢查程序
    4.2.2  細胞病理學在腫瘤診斷中的作用
    4.2.3  細胞病理學的應用價值
    4.2.4  細胞病理學診斷的局限性
    4.2.5  細胞病理學報告
  4.3  宮頸細胞病理學
    4.3.1  宮頸細胞病理學的基本現狀和進展
    4.3.2  宮頸正常細胞的形態
    4.3.3  宮頸細胞學分類診斷標準
  4.4  乳腺細胞病理學
    4.4.1  乳腺細胞病理學的進展
    4.4.2  乳腺腫塊FNAC檢查
    4.4.3  乳腺癌的針吸細胞學
5  基於強特徵CNN-SVM的宮頸癌細胞檢測

  5.1  自動顯微成像平台設計
    5.1.1  設計原則與總體框圖
    5.1.2  光學顯微鏡及放大倍數選擇
    5.1.3  自動載物平台設計
    5.1.4  自動對焦方法研究
  5.2  基於改進隨機森林演算法的上皮細胞識別
    5.2.1  圖像分割
    5.2.2  細胞圖像的特徵提取
    5.2.3  基於人工魚群演算法優化的隨機森林模型
  5.3  基於強特徵CNN-SVM的癌變上皮細胞識別
    5.3.1  數據集擴增與良性仿射
    5.3.2  強特徵CNN-SVM網路模型
    5.3.3  基於強特徵CNN-SVM模型的癌細胞識別
  5.4  實驗與分析
    5.4.1  自動對焦實驗
    5.4.2  基於改進隨機森林演算法的上皮細胞識別實驗
    5.4.3  基於強特徵CNN-SVM的癌變上皮細胞識別實驗
6  基於改進SSD網路的宮頸細胞分類檢測系統
  6.1  顯微鏡成像自動掃描系統設計
    6.1.1  宮頸鱗狀上皮細胞形態學特點
    6.1.2  顯微鏡成像自動掃描系統整體架構
    6.1.3  自動對焦演算法
    6.1.4  圖像平移拼接
  6.2  基於改進SSD網路的細胞分類檢測演算法
    6.2.1  SSD網路模型
    6.2.2  正反向特徵融合
    6.2.3  雙線性匯合特徵分析
  6.3  圖像數據處理及模型訓練
    6.3.1  實驗平台介紹
    6.3.2  數據處理
    6.3.3  Loss函數的定義與改進
    6.3.4  防止過擬合
    6.3.5  模型訓練
  6.4  實驗與分析
    6.4.1  顯微鏡成像自動掃描實驗
    6.4.2  細胞分類檢測實驗
7  基於改進ResNet的宮頸癌細胞識別
  7.1  深度學習與宮頸癌細胞
    7.1.1  深度學習概述
    7.1.2  卷積神經網路
    7.1.3  基於深度學習的目標檢測演算法
    7.1.4  宮頸癌細胞及識別數據集製作
  7.2  基於改進ResNet-SSD網路的宮頸癌細胞識別
    7.2.1  特徵提取網路
    7.2.2  基於改進SSD演算法的宮頸脫落細胞識別
    7.2.3  網路模型訓練
  7.3  宮頸癌細胞識別網路的壓縮和加速
    7.3.1  網路壓縮和加速的必要性及可能性
    7.3.2  網路壓縮和加速
    7.3.3  基於OD-FWSI的宮頸癌細胞網路壓縮和加速

    7.3.4  全局逐步網路剪枝
    7.3.5  改進"老師與學生"的壓縮和加速網路訓練方法
  7.4  實驗與分析
    7.4.1  特徵提取網路實驗
    7.4.2  宮頸癌細胞識別實驗
    7.4.3  宮頸癌細胞識別網路的壓縮和加速實驗
8  基於YOLO網路的宮頸異常細胞檢測與識別方法研究
  8.1  宮頸細胞檢測和識別技術基礎
    8.1.1  宮頸癌細胞形態學診斷技術基礎
    8.1.2  顯微鏡下宮頸細胞圖像採集系統
    8.1.3  宮頸細胞圖像預處理
    8.1.4  宮頸細胞圖像數據集構建
  8.2  面向宮頸異常細胞的網路結構改進
    8.2.1  YOLOv3網路概述
    8.2.2  YOLOv3網路結構改進
  8.3  基於細胞數據集的模型訓練方法優化
    8.3.1  目標框維度聚類分析
    8.3.2  Loss函數的定義與改進
    8.3.3  NMS演算法優化
    8.3.4  基於細胞數據集優化后的模型訓練
  8.4  實驗結果與分析
    8.4.1  宮頸癌輔助診斷系統
    8.4.2  面向宮頸異常細胞的網路結構改進實驗
    8.4.3  基於細胞數據集的模型訓練優化實驗
9  宮頸細胞定量分析系統關鍵技術研究
  9.1  基於感興趣區域的ROI聚焦系統設計
    9.1.1  宮頸細胞DNA塗片與細胞分類
    9.1.2  顯微鏡聚焦系統整體架構
    9.1.3  基於ROI的顯微鏡聚焦演算法
  9.2  宮頸細胞塗片分割與檢測方法研究
    9.2.1  宮頸細胞分割方法研究
    9.2.2  宮頸細胞特徵提取與選擇
    9.2.3  基於Adaboost-SVM的宮頸細胞分類
  9.3  宮頸細胞DNA定量分析
    9.3.1  生物學與光學基礎
    9.3.2  基於細胞圖像的DNA定量計算
    9.3.3  基於LSTM的宮頸上皮細胞數據分類
  9.4  實驗與分析
    9.4.1  顯微鏡ROI聚焦實驗
    9.4.2  細胞分割實驗
    9.4.3  特徵提取實驗
    9.4.4  細胞分類實驗
    9.4.5  宮頸細胞DNA定量分析實驗
10  基於改進DSOD網路的乳腺鉬靶圖像腫塊分類方法研究
  10.1  乳腺X射線圖像預處理
    10.1.1  乳腺鉬靶X射線圖像和病灶特徵簡介
    10.1.2  乳腺鉬靶X射線圖像數據集
    10.1.3  圖像預處理
  10.2  DSOD網路的改進
    10.2.1  基於深度學習的目標檢測概述

    10.2.2  DSOD網路模型
    10.2.3  基於深度可分離卷積的稠密卷積模塊
    10.2.4  引入基於通道域注意力機制的SE-Block
  10.3  改進的DSOD網路在乳腺腫塊分類中的應用
    10.3.1  改進的DSOD網路結構設計
    10.3.2  模型訓練
    10.3.3  損失函數的改進
  10.4  乳腺鉬靶X射線圖像的腫塊分類實驗與分析
    10.4.1  實驗環境
    10.4.2  數據處理
    10.4.3  評價指標
    10.4.4  實驗結果與分析
參考文獻

  • 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