第1章 绪论 1
1.1医学影像可视化分析 1
1.2医学影像处理 2
1.3深度学习技术 3
1.4基于深度学习的肺结节计算机辅助诊断技术 3
1.5本书的结构 4
第2章 肺部医学图像的二维分割 6
2.1基础概念与理论 6
2.2基于超像素和自生成神经森林的肺实质序列图像分割方法 8
2.2.1肺实质分割 8
2.2.2肺实质聚类 10
2.2.3肺实质序列图像分割 11
2.2.4分割方法结果 12
2.2.5分割时间 13
2.3改进GAC模型肺部薄扫CT序列图像分割法 14
2.3.1初始轮廓的构造 15
2.3.2肺实质分割 16
2.3.3肺实质序列的分割效果 18
2.3.4实验结果与分析 19
2.4肺部薄扫CT序列图像的肺结节分割方法 19
2.4.1超像素序列图像分割算法 20
2.4.2聚类起始块和聚类阈值的确定 21
2.4.3改进的DBSCAN超像素序列图像聚类算法 24
2.4.4分割结果 25
2.4.5实验结果与分析 28
2.5血管粘连型肺结节序列图像的分割方法 30
2.5.1预处理 30
2.5.2改进的超像素序列分割 31
2.5.3超像素样本特征提取 32
2.5.4距离约束稀疏子空间聚类 36
2.5.5血管粘连型肺结节的分割结果 37
2.5.6实验结果与分析 37
2.6本章小结 39
第3章 肺部医学图像的三维分割和检测 40
3.1基础概念与理论 40
3.2基于多模态数据和超体素的肺结节图像三维分割方法 41
3.2.1肺结节区域提取 41
3.2.2肺结节区域分割与重建 43
3.2.3不同类型肺结节的分割 44
3.2.4 3D分割结果的分析 47
3.3基于3D特征的肺结节自动检测方法 47
3.3.1肺实质序列图像的分割 48
3.3.2结节和血管模型 50
3.3.3结节血管增强滤波器 52
3.3.4高斯函数多尺度计算 54
3.3.5疑似结节提取 56
3.3.6肺分割和疑似结节检测结果和分析 59
3.3.7特征提取结果 60
3.3.8 SVM分类结果与分析 63
3.4基于三维形状指数的肺结节自动检测方法 66
3.4.1肺部序列CT图像预处理 67
3.4.2三维肺结节类球形滤波器构建 68
3.4.3构建类球形滤波器结节检测函数 71
3.4.4实验平台及数据 73
3.4.5检测结果及分析 73
3.5本章小结 76
第4章 肺部病灶图像的快速检索 77
4.1基础概念与理论 77
4.2基于有监督哈希的肺结节CT图像检索 79
4.2.1获取ROI图像 79
4.2.2多特征提取 79
4.2.3构造哈希函数 80
4.2.4查询图像的检索 82
4.2.5实验数据 83
4.2.6肺结节特征量化 83
4.2.7参数讨论及分析 84
4.3基于医学征象和卷积神经网络的肺结节CT图像哈希检索 86
4.3.1构造训练集准确的二值码 86
4.3.2肺结节重要语义特征提取 87
4.3.3哈希函数的学习 88
4.3.4肺结节的检索过程 89
4.3.5实验数据集与实验设置 90
4.3.6参数讨论及分析 91
4.4基于多层次语义特征和加权哈希码的肺结节CT图像检索 95
4.4.1提取肺结节的重要语义特征 96
4.4.2构造哈希函数 97
4.4.3基于LS的多标签优化 97
4.4.4基于PCA投影的数据降维 98
4.4.5待查询肺结节的自适应检索 99
4.4.6哈希函数的参数讨论 100
4.5基于征象标签的肺结节图像检索 103
4.5.1图像预处理 103
4.5.2构建双概率超图 104
4.5.3基于概率超图的光谱哈希 105
4.5.4查询样本检索 106
4.5.5检索精度结果及分析 106
4.6基于深度哈希的肺结节图像检索 110
4.6.1提取图像深度特征 110
4.6.2稀疏有监督哈希 112
4.6.3检索结果 112
4.7本章小结 114
第5章 基于深度信念网络的肺结节分类模型 115
5.1基础概念与理论 115
5.1.1受限玻尔兹曼机理论 115
5.1.2马尔可夫链蒙特卡罗方法 117
5.1.3 Gibbs采样 118
5.1.4对比散度算法 119
5.2基于深度信念网络的肺结节良恶性分类方法 120
5.2.1构建数据集 120
5.2.2深度信念网络（PndDBN-5）的构建及训练 121
5.2.3 DBN层数分析 122
5.2.4隐含层节点数分析 122
5.2.5 RBM的学习率分析 123
5.3改进的深度信念网络肺结节良恶性分类方法 124
5.3.1数据预处理 125
5.3.2改进的深度信念网络（Pnd-EDBN）的构建 126
5.3.3改进的深度信念网络（Pnd-EDBN）的训练 127
5.3.4隐含层数分析 128
5.3.5隐含层数节点组合 129
5.3.6交叉熵稀疏惩罚因子 131
5.4基于多视角深度信念网络的肺结节检测方法 133
5.4.1肺结节疑似区域提取 134
5.4.2构建2.5维结构 135
5.4.3 DBN训练过程 135
5.4.4参数设置 136
5.4.5融合策略分析 136
5.4.6循环次数分析 138
5.4.7不同方法对比及讨论 139
5.5本章小结 140
第6章 基于卷积神经网络的肺结节检测与分类 141
6.1基础概念与理论 141
6.1.1卷积与反卷积理论 141
6.1.2降采样（池化）理论 142
6.1.3激活函数 143
6.2基于卷积神经网络的肺结节检测模型 143
6.2.1数据预处理 144
6.2.2卷积神经网络的肺结节检测（PndCnn-7）模型 145
6.2.3正向传播 146
6.2.4误差反向传播 146
6.2.5检测的评价指标 146
6.2.6 PndCnn-7模型参数调整 147
6.3基于卷积神经网络和主成分分析法结合的肺结节特征提取方法 150
6.3.1数据预处理 151
6.3.2特征提取 151
6.3.3特征选择 152
6.3.4特征提取模型的训练 153
6.3.5不同特征的分类对比 155
6.4基于多输入卷积神经网络肺结节检测模型 155
6.4.1数据预处理 156
6.4.2多输入卷积神经网络 158
6.4.3实验结果与分析 159
6.5基于卷积和反卷积神经网络肺部微小结节的检测模型 161
6.5.1卷积反卷积神经网络模型构建 162
6.5.2检测结果与分析 163
6.6本章小结 166
第7章 深度自编码结合极限学习机的孤立性肺结节分类诊断 167
7.1基础概念与理论 167
7.1.1深度自编码基础 167
7.1.2极限学习机的概念 171
7.1.3局部感受野基础知识 173
7.2基于栈式极限学习机的肺结节分类及诊断方法 173
7.2.1数据预处理 173
7.2.2基于栈式极限学习机的肺结节分类方法框架 175
7.2.3深度自编码网络构建 176
7.2.4网络检测结果及分析 178
7.2.5网络评价指标及分析 179
7.3基于双模态深度极限学习机的自编码肺结节诊断方法 180
7.3.1数据半监督预处理 181
7.3.2限制差分权重优化方法 181
7.3.3深度极限学习机的降噪自编码网络构建 183
7.3.4多模态特征的融合和分类 184
7.3.5分类性能分析 185
7.3.6不同诊断方法的分析 187
7.4基于半监督自编码的孤立性肺结节检测 188
7.4.1局部感受野的多特征学习 188
7.4.2融合临床信息的深度半监督稀疏自编码 190
7.4.3融合临床信息的栈式稀疏自编码 192
7.4.4实验及结果分析 193
7.5本章小结 194
参考文献 196