智能醫學影像處理方法 張聚 9787302689928 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202506*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：智能醫學影像處理方法
ISBN：9787302689928
出版社：清華大學
著編譯者：張聚
頁數：201
所在地：中國大陸 *此為代購商品
書號：1745647
可大量預訂，請先連絡。

內容簡介

本書系統地論述基於深度學習的醫學影像智能處理方法，包括低劑量醫學CT影像的智能去噪方法，以及醫學影像中病灶的智能分割方法。主要內容包括基於深度學習的低劑量CT去噪方法研究進展、基於深度學習的肺部CT圖像分割方法研究進展、基於多特徵提取的低劑量CT圖像去噪方法、基於U-Net和多注意力的低劑量CT圖像去噪方法、基於CNN和Transformer的低劑量CT圖像去噪方法、基於多層注意力機制U-Net的肺部CT圖像分割網絡、基於多尺度特徵融合U-Net的皮膚病圖像分割網絡、基於遷移學習和U-Net的肺部CT圖像分割方法、基於Transformer和U-Net的CT圖像分割方法等。 全書內容是智能醫學影像處理領域的新進展，也是近幾年作者及其研究生團隊在該領域研究工作的系統總結。本書可供學習、研究和應用醫學圖像智能處理方法的研究生、科研工作者和相關技術人員閱讀參考。

作者簡介

張聚，男，博士，浙江工業大學教授，博士生導師，曾為德國慕尼黑工業大學自動化與軟體技術研究所訪問學者、美國密歇根州立大學機械工程系訪問教授，浙江省一流學科（計算機科學與技術學科，B類）負責人，入選浙江省151人才第二層次，浙江省高校中青年學科帶頭人，浙江省塊狀經濟轉型升級專家。主要研究方向為計算機先進控制、醫學圖像處理。主持完成國家自然科學基金項目2項、省部級項目3項，主持出版學術專著1部、譯著3部、高校教材2部，發表SCI、EI學術研究論文30餘篇，授權發明專利3項。榮獲浙江省科技進步三等獎、浙江省高校科研成果一等獎、浙江省高等學校教壇新秀獎、浙江工業大學首屆十佳青年教師等獎項。

目錄

第1章 基於深度學習的低劑量CT去噪方法研究進展
1 1 LDCT中的雜訊與偽影
1 2 基於深度學習的LDCT去噪方法綜述
1 2 1 基於CNN的方法
1 2 2 基於編碼器—解碼器的方法
1 2 3 基於GAN的方法
1 2 4 基於Transformer的方法
1 3 數據集
1 3 1 配對和未配對數據集
1 3 2 模擬數據集和真實數據集
1 3 3 數據增強
1 4 實驗與結果討論
1 4 1 實驗參數設置
1 4 2 主觀和視覺分析
1 4 3 定量分析
1 5 挑戰與未來方向
1 5 1 基於多模態的LDCT去噪網絡
1 5 2 雙域級聯去噪的深度學習框架
1 5 3 解決配對CT圖像稀缺性的幾種方法
1 6 本章小結
第2章 基於深度學習的肺部CT圖像分割方法研究進展
2 1 深度學習與圖像分割
2 2 圖像採集與預處理
2 2 1 數據集
2 2 2 數據擴充
2 2 3 損失函數
2 2 4 評價指標
2 3 CT圖像分割的深度學習模型
2 3 1 基於編碼器—解碼器的模型
2 3 2 基於注意力的模型
2 3 3 基於Transformer的模型
2 3 4 基於多尺度和金字塔網絡的模型
2 3 5 基於擴張卷積的模型
2 4 實驗與結果討論
2 4 1 實驗參數設置
2 4 2 主觀和視覺分析
2 4 3 定量分析
2 5 挑戰與未來趨勢
2 5 1 更具挑戰性的數據集
2 5 2 應用於CT成像分割的可解釋性
2 5 3 缺乏完整的自動化系統
2 6 本章小結
第3章 基於多特徵提取的低劑量CT圖像去噪方法
3 1 醫學CT圖像中的雜訊
3 2 卷積神經網絡中多特徵提取方法
3 2 1 多特徵提取的殘差學習
3 2 2 多特徵提取和融合
3 2 3 特徵提取卷積神經網絡模型
3 2 4 網絡訓練優化問題
3 3 基於多特徵提取的算法實現與實驗
3 3 1 圖像去噪性能評價指標
3 3 2 實驗訓練圖像數據集
3 3 3 實驗訓練環境
3 3 4 實驗訓練階段
3 4 實驗結果分析與對比
3 4 1 實驗結果分析
3 4 2 與其他去噪網絡對比實驗
3 5 本章小結
第4章 基於U-Net和多注意力的低劑量CT圖像去噪方法
4 1 相關網絡模型
4 1 1 U-Net網絡
4 1 2 注意力機制
4 2 基於U-Net網絡和多通道多注意力機制的去噪網絡
4 2 1 局部注意模塊
4 2 2 多特徵通道注意模塊
4 2 3 層級注意模塊
4 2 4 增強學習模塊
4 2 5 數據預處理
4 2 6 損失函數
4 2 7 網絡訓練細節
4 3 實驗結果與分析
4 3 1 圖像去噪性能評價指標
4 3 2 實驗環境
4 3 3 實驗結果分析
4 3 4 與其他去噪網絡對比實驗
4 3 5 注意力模塊消融實驗與分析
4 4 本章小結
第5章 基於CNN和Transformer的低劑量CT圖像去噪方法
5 1 Transformer模型理論基礎
5 1 1 Transformer中的自注意機制
5 1 2 掩碼自注意力
5 1 3 多頭注意力
5 1 4 前饋網絡
5 1 5 計算機視覺中的Transformer
5 2 基於CNN和Transformer的低劑量CT圖像去噪網絡
5 2 1 整體網絡架構
5 2 2 基於CNN的編碼器
5 2 3 多尺度空間注意模塊
5 2 4 雙路徑Transformer模塊
5 3 神經網絡訓練
5 3 1 實驗數據集
5 3 2 網絡訓練細節
5 4 實驗與分析
5 4 1 圖像去噪性能評價指標
5 4 2 實驗結果分析和對比
5 4 3 消融實驗
5 5 本章小結
第6章 基於多層注意機制U-Net的肺部CT圖像分割網絡
6 1 注意力機制
6 1 1 局部空間注意機制
6 1 2 通道空間注意機制
6 1 3 混合注意機制
6 1 4 非局部注意機制
6 1 5 位置注意機制
6 2 多層注意機制U-Net
6 2 1 邊緣注意模塊
6 2 2 形狀注意模塊
6 2 3 局部注意模塊
6 2 4 上下文募集模塊
6 2 5 瓶頸模塊
6 3 神經網絡訓練
6 3 1 損失函數的選擇與改進
6 3 2 實驗數據集
6 3 3 數據預處理
6 3 4 網絡訓練細節
6 4 實驗結果與分析
6 4 1 圖像分割性能評價指標
6 4 2 實驗環境
6 4 3 實驗結果分析和對比
6 4 4 網絡模塊消融實驗與分析
6 5 本章小結
第7章 基於多尺度特徵融合U-Net的皮膚病圖像分割網絡
7 1 編碼器—解碼器模型結構
7 2 多級特徵融合U-Net
7 2 1 通道注意擴張卷積模塊
7 2 2 聚合交互模塊
7 2 3 子像素卷積層
7 3 損失函數的設計
7 3 1 損失函數的作用
7 3 2 基於交叉熵的損失函數
7 3 3 基於相似度度量的損失函數
7 4 實驗數據集和預處理
7 4 1 實驗數據集
7 4 2 數據預處理
7 4 3 網絡訓練細節
7 5 實驗結果分析
7 5 1 分割性能評價指標
7 5 2 與現有分割網絡性能對比
7 5 3 網絡模塊消融實驗對比
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。