新書推薦： 《
企鹅英国史（套装八册）
》 售價：NT$
4191.0
《
纪伯伦全集（全新修订增补版）
》 售價：NT$
1550.0
《
时空大数据的＂形状＂：几何和拓扑的视角
》 售價：NT$
614.0
《
交锋二十年 （日本奇迹系列，美国与日本贸易摩擦）
》 售價：NT$
411.0
《
公民们：法国大革命编年史
》 售價：NT$
978.0
《
金雀花帝国（中世纪史名著译丛）
》 售價：NT$
442.0
《
学习是我一生的倚靠（希腊前总理的学习人生）
》 售價：NT$
302.0
《
两个欧洲
》 售價：NT$
510.0
內容簡介：
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。
關於作者：
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。
目錄
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0071.1 医学图像CAD系统概述0071.2 不同部位医学图像CAD系统分述0091.2.1 基于胸部X线片的肺结节CAD系统0091.2.2 基于CT图像的肺部CAD系统0111.2.3 乳腺医学图像CAD系统0181.2.4 结直肠医学图像CAD系统0291.2.5 前列腺医学图像CAD系统0341.2.6 其他前列腺癌相关医学图像CAD系统0391.3 医学图像CAD的性能评估0401.3.1 医学图像数据集0401.3.2 评估方法0411.4 系统所用算法和特征汇总0451.5 面临的问题和研究展望0581.6 未来展望0601.7 结语062第2章 深度学习方法0642.1 引言0642.2 推理期0642.3 知识期0652.4 学习期0662.4.1 BP神经网络0662.4.2 浅层机器学习算法0712.4.3 深度学习算法0882.4.4 全连接网络0952.4.5 AlexNet网络0992.5 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1173.1 研究目的和意义1173.2 研究目标和内容1203.2.1 基于人工免疫优化的征象分类网络融合方法1213.2.2 结合半监督协同学习与深度学习的征象模糊分类方法1213.2.3 胶囊网络的三元组强化学习及其征象分类方法1213.3 实验样本选择1223.3.1 样本图像尺寸1223.3.2 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1274.1 引言1274.2 子网络融合的人工免疫优化方法1294.2.1 预测亲和度与剩余平均相似度1304.2.2 克隆与变异1314.3 征象分类方法1344.3.1 子网络构成1354.3.2 集成决策分类1364.4 实验与结果分析1374.4.1 实验设置1374.4.2 网络训练1384.4.3 集成分类器与子分类器性能比较1394.4.4 AIA-DNF与其他分类器融合方法比较1414.4.5 AIA-DNF方法与其他二分类方法比较1444.4.6 多级Inception网络与传统CNN比较1454.5 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1475.1 引言1475.2 模糊协同森林1495.2.1 特征提取1495.2.2 构建协同森林1505.2.3 模糊分类1515.3 融合生成对抗的半监督协同学习1535.3.1 DCGAN1545.3.2 半监督协同学习1565.4 实验与结果分析1585.4.1 实验设置1585.4.2 DFF-Co-forest的分类效果1585.4.3 模糊分类策略的效果1625.4.4 算法性能比较1635.5 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1686.1 引言1686.2 相关工作1696.3 TriCaps-RL方法1716.3.1 三元胶囊网络1726.3.2 两阶段强化学习1756.4 实验与结果分析1806.4.1 实验设置1806.4.2 学习效果1816.4.3 TriCaps-RL方法的分类性能1846.4.4 TriCaps-RL与DQN性能对比1856.4.5 TriCaps-RL与其他二分类方法对比1886.5 结语190第7章 后记1927.1 工作总结1927.2 未来展望194参考文献195附录 231
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
