《深度学习在医学图像中的应用》内容简介

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，人类步入深度学习时代，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。

作品目录

前言
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
第1章：医学图像计算机辅助检测/诊断（CAD）系统
1.1、医学图像CAD系统概述
1.2、不同部位医学图像CAD系统分述
1.3、医学图像CAD的性能评估
1.4、系统所用算法和特征汇总
1.5、面临的问题和研究展望
1.6、未来展望
1.7、结语
第2章：深度学习算法
2.1、引言
2.2、推理期
2.3、知识期
2.4、学习期
2.5、结语
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
3.1、研究目的和意义
3.2、研究目标和内容
3.3、实验样本选择
第4章：基于人工免疫优化的征象分类网络融合方法
4.1、引言
4.2、子网络融合的人工免疫优化方法
4.3、征象分类方法
4.4、实验与结果分析
4.5、结语
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
5.1、引言
5.2、模糊协同森林
5.3、融合生成对抗的半监督协同学习
5.4、实验与结果分析
5.5、结语
第6章：胶囊网络的三元组强化学习及其征象分类方法
6.1、引言
6.2、相关工作
6.3、TriCaps-RL方法
6.4、实验与结果分析
6.5、结语
第7章：后记
7.1、工作总结
7.2、未来展望
参考文献
附录A
英文缩略词与英文全称对照表