深度學習在醫學圖像中的應用

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。醫學圖像中含有重要的生理、病理信息等知識，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復雜，所以挖掘難度很大。盡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，以瞭解本領域背景和基礎知識，也能為電腦醫學圖像分析研究領域的學者帶來創新思路。

基礎篇 醫學圖像電腦輔助檢測與診斷、
深度學習算法基礎知識
緒論 003
第1章 醫學圖像電腦輔助檢測/診斷（CAD）系統 007
1.1 醫學圖像CAD系統概述 007
1.2 不同部位醫學圖像CAD系統分述 009
1.2.1 基於胸部X線片的肺結節CAD系統 009
1.2.2 基於CT圖像的肺部CAD系統 011
1.2.3 乳腺醫學圖像CAD系統 018
1.2.4 結直腸醫學圖像CAD系統 029
1.2.5 前列腺醫學圖像CAD系統 034
1.2.6 其他前列腺癌相關醫學圖像CAD系統 039
1.3 醫學圖像CAD的性能評估 040
1.3.1 醫學圖像數據集 040
1.3.2 評估方法 041
1.4 系統所用算法和特徵匯總 045
1.5 面臨的問題和研究展望 058
1.6 未來展望 060
1.7 結語 062
第2章 深度學習方法 064
2.1 引言 064
2.2 推理期 064
2.3 知識期 065
2.4 學習期 066
2.4.1 BP神經網絡 066
2.4.2　淺層機器學習算法 071
2.4.3 深度學習算法 088
2.4.4 全連接網絡 095
2.4.5 AlexNet網絡 099
2.5 本章小結 113
應用篇 深度學習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 117
3.1 研究目的和意義 117
3.2 研究目標和內容 120
3.2.1 基於人工免疫優化的徵象分類網絡融合方法 121
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 121
3.2.3 膠囊網絡的三元組強化學習及其徵象分類方法 121
3.3 實驗樣本選擇 122
3.3.1 樣本圖像尺寸 122
3.3.2 徵象選擇 123

第4章 基於人工免疫優化的徵象分類網絡融合方法 127
4.1 引言 127
4.2 子網絡融合的人工免疫優化方法 129
4.2.1 預測親和度與剩餘平均相似度 130
4.2.2 克隆與變異 131
4.3 徵象分類方法 134
4.3.1 子網絡構成 135
4.3.2 集成決策分類 136
4.4 實驗與結果分析 137
4.4.1 實驗設置 137
4.4.2 網絡訓練 138
4.4.3 集成分類器與子分類器性能比較 139
4.4.4 AIA-DNF與其他分類器融合方法比較 141
4.4.5 AIA-DNF方法與其他二分類方法比較 144
4.4.6 多級Inception網絡與傳統CNN比較 145
4.5 結語 146
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 147
5.1 引言 147
5.2 模糊協同森林 149
5.2.1 特徵提取 149
5.2.2 構建協同森林 150
5.2.3 模糊分類 151
5.3 融合生成對抗的半監督協同學習 153
5.3.1 DCGAN 154
5.3.2 半監督協同學習 156
5.4 實驗與結果分析 158
5.4.1 實驗設置 158
5.4.2 DFF-Co-forest的分類效果 158
5.4.3 模糊分類策略的效果 162
5.4.4 算法性能比較 163
5.5 結語 166
第6章 膠囊網絡的三元組強化學習及其徵象分類方法 168
6.1 引言 168
6.2 相關工作 169
6.3 TriCaps-RL方法 171
6.3.1 三元膠囊網絡 172
6.3.2 兩階段強化學習 175
6.4 實驗與結果分析 180
6.4.1 實驗設置 180
6.4.2 學習效果 181
6.4.3 TriCaps-RL方法的分類性能 184
6.4.4 TriCaps-RL與DQN性能對比 185
6.4.5 TriCaps-RL與其他二分類方法對比 188
6.5 結語 190
第7章 後記 192
7.1 工作總結 192
7.2 未來展望 194
參考文獻 195
附錄 231