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

基於醫學影像和基因數據的肺癌輔助診斷方法研究

  • 作者：董云云|責編:王培
  • 出版社：科技文獻
  • ISBN：9787523514276
  • 出版日期：2024/05/01
  • 裝幀：平裝
  • 頁數：135
人民幣：RMB 42 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    全書由6章組成，其中：第1章主要介紹肺癌研究中利用影像基因等數據進行研究的應用領域及相關概念和理論基礎；第2章針對疑似肺癌的疑難型肺結節，提出基於超體素3D區域增長的疑難型肺結節分割方法；第3章針對肺癌的亞型分類問題，提出了一種多級加權的深度森林模型和基於DNA甲基化進行細粒度的肺腺癌亞型分類；第4章針對肺腺癌複雜的發病機制，以及使用單一基因數據難以獲得滿意的分期結果，提出了基於多組學基因數據的改進的多級加權深度森林模型IMLW-gcForest以進行分期；第5章針對基因檢測過程存在侵入性、時間長、費用高等問題，提出了多通道多任務的深度學習模型MMDL，利用非小細胞肺癌的CT影像來預測EGFR和KRAS的突變；第6章為總結與展望。
作者介紹
董云云|責編:王培
目錄
第1章  緒論
  1.1  研究背景和意義
  1.2  國內外研究現狀
    1.2.1  肺結節分割
    1.2.2  肺癌亞型分類
    1.2.3  肺癌分期
    1.2.4  肺癌影像預測基因突變
  1.3  本書主要研究內容
  1.4  本書的組織結構
第2章  基於超體素3D區域增長的疑難型肺結節分割方法
  2.1  引言
  2.2  相關工作
  2.3  數據預處理
    2.3.1  前景區域的分離及種子點的自動定位
    2.3.2  3D掩模的構建
  2.4  3D超體素的構建
    2.4.1  超體素的構建原理
    2.4.2  超體素的構建過程
  2.5  模糊連通圖的構建
    2.5.1  模糊鄰接關係及模糊鄰接度
    2.5.2  模糊連通性及模糊連通圖的構建
  2.6  基於超體素的3D區域增長
  2.7  實驗與結果
    2.7.1  實驗數據集及環境
    2.7.2  不同方法的定性評估
    2.7.3  不同方法之間的3D分割的單切片結果比較
    2.7.4  不同區域增長方法之間的定量比較
    2.7.5  與相關研究的比較
  2.8  討論
    2.8.1  傳統3D區域增長方法的閾值設置
    2.8.2  參數γ1和γ2的設置
    2.8.3  所提方法的局限性
  2.9  本章小結
第3章  基於DNA甲基化的MLW-gcForest肺癌亞型分類模型
  3.1  引言
  3.2  相關工作
  3.3  gcForest模型
  3.4  MLW-gcForest模型
    3.4.1  權重α的計算
    3.4.2  排序優選演算法
  3.5  實驗與結果
    3.5.1  數據集及實驗設置
    3.5.2  與傳統方法的結果對比
    3.5.3  模型處理小樣本數據的能力
    3.5.4  模型緩解過擬合的風險
    3.5.5  與相關研究的性能對比
  3.6  討論
    3.6.1  主要參數設置
    3.6.2  不同組學數據分類性能比較
  3.7  本章小結

第4章  基於多組學基因數據的IMLW-gcForest肺癌分期模型
  4.1  引言
  4.2  相關工作
  4.3  IMLW-gcForest模型及多組學決策融合
    4.3.1  多組學基因數據預處理
    4.3.2  IMLW-gcForest
    4.3.3  多組學模型決策級融合
  4.4  實驗與結果
    4.4.1  數據集和實驗設置
    4.4.2  基於基因表達、DNA甲基化、拷貝數變異的肺腺癌分期模型
    4.4.3  基於多組學基因數據的肺腺癌分期模型
    4.4.4  多組學基因數據模型和單種基因數據模型的比較
    4.4.5  模型在小樣本數據集上的有效性
    4.4.6  模型防止過擬合的能力
  4.5  討論
    4.5.1  不同加權策略下模型的性能對比
    4.5.2  隨機森林中決策樹的數量設置
    4.5.3  與其他分期研究的對比
  4.6  本章小結
第5章  CT影像預測肺癌EGFR/KRAS基因突變的MMDL模型
  5.1  引言
  5.2  相關工作
  5.3  MMDL模型總體框架
  5.4  ROI的提取
  5.5  Inception-attention-resnet模型的構建
    5.5.1  Inception-resnet-V2模型
    5.5.2  注意力模塊
    5.5.3  Inception-attention-resnet模型
  5.6  模型的遷移學習
  5.7  多通道決策融合
  5.8  實驗與結果
    5.8.1  數據集
    5.8.2  與傳統方法的比較
    5.8.3  與其他深度模型的比較
    5.8.4  模型的可視化
    5.8.5  多視圖結果的對比
    5.8.6  與相關研究的對比
  5.9  討論
    5.9.1  遷移學習對分類結果的影響
    5.9.2  病歷信息對分類結果的影響
    5.9.3  注意力機制對分類結果的影響
  5.10  本章小結
第6章  總結與展望
  6.1  總結
  6.2  展望
縮略語
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