第1章 绪论 1
1.1 医学影像研究 1
1.2 计算机辅助诊断 2
1.3 基于PET-CT的肺癌早期计算机辅助诊断 2
1.4 本书的结构 3
第2章 PET-CT医学图像去噪 5
2.1 传统图像去噪方法及其缺点 6
2.1.1 中值滤波 6
2.1.2 均值滤波 7
2.1.3 小波滤波 8
2.1.4 传统去噪方法的实验效果 8
2.2 基于非局部平均方法的图像去噪 9
2.2.1 基于片相似性的非局部图像去噪 9
2.2.2 改进的各向异性扩散模型的医学去噪 9
2.3 基于非局部平均方法的PET图像去噪 9
2.3.1 非局部平均方法 9
2.3.2 非局部平均方法的改进 11
2.3.3 实验及结果分析 12
2.4 基于灰色关联分析和GM模型的医学图像去噪 15
2.4.1 噪声点的检测 15
2.4.2 去噪处理 17
2.4.3 实验及结果分析 19
第3章 肺部PET-CT图像的分割 21
3.1 传统医学图像分割方法 21
3.1.1 分水岭图像分割 21
3.1.2 基于区域增长的图像分割 24
3.1.3 阈值分割 26
3.2 结合区域增长的多尺度分水岭分割 27
3.2.1 方法概述 28
3.2.2 实验结果 30
3.2.3 结果分析 30
3.3 基于分层模板的分水岭图像分割 32
3.3.1 方法概述 32
3.3.2 实验结果 35
3.3.3 结果分析 36
3.4 基于SUV阈值和区域增长的图像分割 37
3.4.1 方法概述 37
3.4.2 实验结果 39
3.4.3 结果分析 40
3.5 基于左右扫描和四角旋转扫描寻找种子点的区域生长肺分割算法 40
3.5.1 方法概述 40
3.5.2 实验结果 48
3.5.3 结果分析 49
3.6 基于滚球法的肺实质分割方法 49
3.6.1 方法概述 49
3.6.2 实验结果 56
3.6.3 结果分析 59
3.7 基于PET-CT的活动轮廓模型的图像分割 60
3.7.1 方法概述 60
3.7.2 实验结果 62
3.7.3 结果分析 63
第4章 PET-CT医学图像的配准和融合 64
4.1 医学图像配准 64
4.1.1 图像配准的定义 64
4.1.2 医学图像配准流程及框架 64
4.1.3 医学图像配准分类 65
4.2 基于互信息的图像配准 66
4.2.1 互信息配准 66
4.3 改进的基于互信息的图像配准 67
4.3.1 改进的互信息方法描述 67
4.3.2 实验及结果分析 73
4.4 医学图像融合 76
4.4.1 医学图像融合方法 77
4.4.2 医学图像融合规则 79
4.4.3 图像融合的评价方法 81
4.5 基于多尺度的医学图像融合 82
4.5.1 基于多尺度的医学图像融合方法 82
4.5.2 实验及结果分析 84
第5章 肺结节诊断模型的特征选择 90
5.1 肺结节诊断模型中特征选择概述 90
5.2 构建孤立性肺结节特征集 91
5.3 基于联合互信息的特征选择算法 93
5.3.1 基于联合互信息的特征选择算法设计 93
5.3.2 实验及结果分析 96
第6章 肺结节良性、恶性分类 98
6.1 传统的SVM、FSVM分类方法 99
6.1.1 SVM分类方法 99
6.1.2 FSVM分类方法 100
6.2 SVM优化 100
6.2.1 粒子群算法 100
6.2.2 粒子群算法优化支持向量机 103
6.2.3 实验及结果分析 105
6.3 DFSVM分类及其应用 106
6.3.1 DFSVM方法 107
6.3.2 实验及结果分析 113
第7章 肺结节良性、恶性预测模型 116
7.1 医学诊断模型概述 116
7.2 基于Logistic分析的预测模型 117
7.2.1 统计学分析方法 118
7.2.2 结节征象单因素和多因素分析 118
7.2.3 预测模型的建立 120
7.3 实验与分析 121
7.3.1 实验数据集 121
7.3.2 实验对比与分析 123
参考文献 127