深度学习在医学图像中的应用

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***，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。

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 003
第1章 医学图像计算机辅助检测/诊断（CAD）系统 007
1．1 医学图像CAD系统概述 007
1．2 不同部位医学图像CAD系统分述 009
1．2．1 基于胸部X线片的肺结节CAD系统 009
1．2．2 基于CT图像的肺部CAD系统 011
1．2．3 乳腺医学图像CAD系统 018
1．2．4 结直肠医学图像CAD系统 029
1．2．5 前列腺医学图像CAD系统 034
1．2．6 其他前列腺癌相关医学图像CAD系统 039
1．3 医学图像CAD的性能评估 040
1．3．1 医学图像数据集 040
1．3．2 评估方法 041
1．4 系统所用算法和特征汇总 045
1．5 面临的问题和研究展望 058
1．6 未来展望 060
1．7 结语 062
第2章 深度学习方法 064
2．1 引言 064
2．2 推理期 064
2．3 知识期 065
2．4 学习期 066
2．4．1 BP神经网络 066
2．4．2　浅层机器学习算法 071
2．4．3 深度学习算法 088
2．4．4 全连接网络 095
2．4．5 AlexNet网络 099
2．5 本章小结 113
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 117
3．1 研究目的和意义 117
3．2 研究目标和内容 120
3．2．1 基于人工免疫优化的征象分类网络融合方法 121
3．2．2 结合半监督协同学习与深度学习的征象模糊分类方法 121
3．2．3 胶囊网络的三元组强化学习及其征象分类方法 121
3．3 实验样本选择 122
3．3．1 样本图像尺寸 122
3．3．2 征象选择 123

第4章 基于人工免疫优化的征象分类网络融合方法 127
4．1 引言 127
4．2 子网络融合的人工免疫优化方法 129
4．2．1 预测亲和度与剩余平均相似度 130
4．2．2 克隆与变异 131
4．3 征象分类方法 134
4．3．1 子网络构成 135
4．3．2 集成决策分类 136
4．4 实验与结果分析 137
4．4．1 实验设置 137
4．4．2 网络训练 138
4．4．3 集成分类器与子分类器性能比较 139
4．4．4 AIA-DNF与其他分类器融合方法比较 141
4．4．5 AIA-DNF方法与其他二分类方法比较 144
4．4．6 多级Inception网络与传统CNN比较 145
4．5 结语 146
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 147
5．1 引言 147
5．2 模糊协同森林 149
5．2．1 特征提取 149
5．2．2 构建协同森林 150
5．2．3 模糊分类 151
5．3 融合生成对抗的半监督协同学习 153
5．3．1 DCGAN 154
5．3．2 半监督协同学习 156
5．4 实验与结果分析 158
5．4．1 实验设置 158
5．4．2 DFF-Co-forest的分类效果 158
5．4．3 模糊分类策略的效果 162
5．4．4 算法性能比较 163
5．5 结语 166
第6章 胶囊网络的三元组强化学习及其征象分类方法 168
6．1 引言 168
6．2 相关工作 169
6．3 TriCaps-RL方法 171
6．3．1 三元胶囊网络 172
6．3．2 两阶段强化学习 175
6．4 实验与结果分析 180
6．4．1 实验设置 180
6．4．2 学习效果 181
6．4．3 TriCaps-RL方法的分类性能 184
6．4．4 TriCaps-RL与DQN性能对比 185
6．4．5 TriCaps-RL与其他二分类方法对比 188
6．5 结语 190
第7章 后记 192
7．1 工作总结 192
7．2 未来展望 194
参考文献 195
附录 231