掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類(lèi)五星書(shū)更多>
-
>
補(bǔ)遺雷公炮制便覽 (一函2冊(cè))
-
>
方劑學(xué)
-
>
(精)河南古代醫(yī)家經(jīng)驗(yàn)輯
-
>
中醫(yī)珍本文庫(kù)影印點(diǎn)校(珍藏版):醫(yī)案摘奇·雪雅堂醫(yī)案合集
-
>
中醫(yī)珍本文庫(kù)影印點(diǎn)校(珍藏版):外科方外奇方
-
>
中醫(yī)珍本文庫(kù)影印點(diǎn)校(珍藏版):用藥禁忌書(shū)
-
>
中醫(yī)珍本文庫(kù)影印點(diǎn)校(珍藏版):沈氏女科輯要箋疏
中圖價(jià):¥70.4
加入購(gòu)物車(chē)
人工智能與病理診斷 版權(quán)信息
- ISBN：9787512148857
- 條形碼：9787512148857 ; 978-7-5121-4885-7
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
人工智能與病理診斷 內(nèi)容簡(jiǎn)介
人工智能與病理診斷是當(dāng)前熱門(mén)的研究領(lǐng)域。針對(duì)目前病理診斷中人工智能處理方法還存在諸多問(wèn)題和局限性，本書(shū) 次全面性介紹病理診斷中的人工智能實(shí)現(xiàn)方法，是 本領(lǐng)域 部專著。本書(shū)所提出的人工智能方法用于病理診斷中，重點(diǎn)關(guān)注病理診斷中遇到的各種問(wèn)題，并闡述如何解決這些問(wèn)題。同時(shí)，本書(shū)利用改進(jìn)深度學(xué)習(xí)，各種前沿的神經(jīng)網(wǎng)絡(luò)等 的研究成果和技術(shù)，能夠有效提升病理診斷的準(zhǔn)確性和效率，顯著改善傳統(tǒng)病理診斷方法的缺陷和不足。本書(shū)由淺入深，生動(dòng)具體地通過(guò)相關(guān)技術(shù)的實(shí)例對(duì)人工智能技術(shù)在病理診斷領(lǐng)域的應(yīng)用具體介紹，對(duì)于相關(guān)領(lǐng)域的研究者、病理醫(yī)生和學(xué)生等具有重要的參考價(jià)值和借鑒意義。本書(shū)通過(guò)展現(xiàn)人工智能方法在病理診斷領(lǐng)域的諸多實(shí)例，有效展示將人工智能與病理診斷結(jié)合的成果，具有較高的學(xué)術(shù)價(jià)值。
人工智能與病理診斷 目錄
1 人工智能概述 1
1.1 人工智能的定義 1
1.2 強(qiáng)人工智能、弱人工智能和超人工智能 2
1.3 人工智能的研究方法 3
1.4 人工智能的基本應(yīng)用 8
2 深度學(xué)習(xí) 12
2.1 深度學(xué)習(xí)簡(jiǎn)介 12
2.2 人工神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí) 13
2.3 典型的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu) 14
2.3.1 LeNet 14
2.3.2 AlexNet 17
2.3.3 VGGNet 19
2.3.4 ResNet 21
2.3.5 DenseNet 22
2.4 深度學(xué)習(xí)的應(yīng)用 24
2.4.1 物體檢測(cè) 24
2.4.2 圖像分割 25
2.4.3 圖像標(biāo)題生成 26
2.4.4 圖像風(fēng)格變換 27
2.4.5 自動(dòng)駕駛 28
3 病理診斷分析 30
3.1 病理學(xué)基礎(chǔ) 30
3.1.1 診斷病理學(xué) 30
3.1.2 診斷病理學(xué)的任務(wù) 31
3.2 病理診斷方法 32
3.2.1 病理診斷設(shè)備 32
3.2.2 病理診斷要點(diǎn) 32
3.2.3 病理材料的存檔 34
3.2.4 臨床與質(zhì)量保證 35
3.3 病理診斷中常見(jiàn)的病理過(guò)程 35
3.3.1 組織和細(xì)胞的適應(yīng)與損傷 35
3.3.2 炎癥 39
3.3.3 腫瘤 40
4 細(xì)胞病理診斷 42
4.1 細(xì)胞學(xué)基礎(chǔ) 42
4.2 細(xì)胞病理學(xué) 43
4.2.1 細(xì)胞病理學(xué)檢查程序 43
4.2.2 細(xì)胞病理學(xué)在腫瘤診斷中的作用 44
4.2.3 細(xì)胞病理學(xué)的應(yīng)用價(jià)值 44
4.2.4 細(xì)胞病理學(xué)診斷的局限性 45
4.2.5 細(xì)胞病理學(xué)報(bào)告 46
4.3 宮頸細(xì)胞病理學(xué) 46
4.3.1 宮頸細(xì)胞病理學(xué)的基本現(xiàn)狀和進(jìn)展 46
4.3.2 宮頸正常細(xì)胞的形態(tài) 47
4.3.3 宮頸細(xì)胞學(xué)分類(lèi)診斷標(biāo)準(zhǔn) 50
4.4 乳腺細(xì)胞病理學(xué) 54
4.4.1 乳腺細(xì)胞病理學(xué)的進(jìn)展 54
4.4.2 乳腺腫塊FNAC檢查 55
4.4.3 乳腺癌的針吸細(xì)胞學(xué) 56
5 基于強(qiáng)特征CNN-SVM的宮頸癌細(xì)胞檢測(cè) 58
5.1 自動(dòng)顯微成像平臺(tái)設(shè)計(jì) 58
5.1.1 設(shè)計(jì)原則與總體框圖 58
5.1.2 光學(xué)顯微鏡及放大倍數(shù)選擇 59
5.1.3 自動(dòng)載物平臺(tái)設(shè)計(jì) 59
5.1.4 自動(dòng)對(duì)焦方法研究 60
5.2 基于改進(jìn)隨機(jī)森林算法的上皮細(xì)胞識(shí)別 65
5.2.1 圖像分割 65
5.2.2 細(xì)胞圖像的特征提取 68
5.2.3 基于人工魚(yú)群算法優(yōu)化的隨機(jī)森林模型 73
5.3 基于強(qiáng)特征CNN-SVM的癌變上皮細(xì)胞識(shí)別 78
5.3.1 數(shù)據(jù)集擴(kuò)增與良性仿射 78
5.3.2 強(qiáng)特征CNN-SVM網(wǎng)絡(luò)模型 80
5.3.3 基于強(qiáng)特征CNN-SVM模型的癌細(xì)胞識(shí)別 84
5.4 實(shí)驗(yàn)與分析 87
5.4.1 自動(dòng)對(duì)焦實(shí)驗(yàn) 88
5.4.2 基于改進(jìn)隨機(jī)森林算法的上皮細(xì)胞識(shí)別實(shí)驗(yàn) 89
5.4.3 基于強(qiáng)特征CNN-SVM的癌變上皮細(xì)胞識(shí)別實(shí)驗(yàn) 93
6 基于改進(jìn)SSD網(wǎng)絡(luò)的宮頸細(xì)胞分類(lèi)檢測(cè)系統(tǒng) 97
6.1 顯微鏡成像自動(dòng)掃描系統(tǒng)設(shè)計(jì) 97
6.1.1 宮頸鱗狀上皮細(xì)胞形態(tài)學(xué)特點(diǎn) 97
6.1.2 顯微鏡成像自動(dòng)掃描系統(tǒng)整體架構(gòu) 98
6.1.3 自動(dòng)對(duì)焦算法 100
6.1.4 圖像平移拼接 103
6.2 基于改進(jìn)SSD網(wǎng)絡(luò)的細(xì)胞分類(lèi)檢測(cè)算法 103
6.2.1 SSD網(wǎng)絡(luò)模型 103
6.2.2 正反向特征融合 108
6.2.3 雙線性匯合特征分析 112
6.3 圖像數(shù)據(jù)處理及模型訓(xùn)練 114
6.3.1 實(shí)驗(yàn)平臺(tái)介紹 114
6.3.2 數(shù)據(jù)處理 115
6.3.3 Loss函數(shù)的定義與改進(jìn) 116
6.3.4 防止過(guò)擬合 118
6.3.5 模型訓(xùn)練 119
6.4 實(shí)驗(yàn)與分析 120
6.4.1 顯微鏡成像自動(dòng)掃描實(shí)驗(yàn) 120
6.4.2 細(xì)胞分類(lèi)檢測(cè)實(shí)驗(yàn) 123
7 基于改進(jìn)ResNet的宮頸癌細(xì)胞識(shí)別 129
7.1 深度學(xué)習(xí)與宮頸癌細(xì)胞 129
7.1.1 深度學(xué)習(xí)概述 129
7.1.2 卷積神經(jīng)網(wǎng)絡(luò) 129
7.1.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法 131
7.1.4 宮頸癌細(xì)胞及識(shí)別數(shù)據(jù)集制作 132
7.2 基于改進(jìn)ResNet-SSD網(wǎng)絡(luò)的宮頸癌細(xì)胞識(shí)別 135
7.2.1 特征提取網(wǎng)絡(luò) 135
7.2.2 基于改進(jìn)SSD算法的宮頸脫落細(xì)胞識(shí)別 141
7.2.3 網(wǎng)絡(luò)模型訓(xùn)練 145
7.3 宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò)的壓縮和加速 145
7.3.1 網(wǎng)絡(luò)壓縮和加速的必要性及可能性 145
7.3.2 網(wǎng)絡(luò)壓縮和加速 146
7.3.3 基于OD-FWSI的宮頸癌細(xì)胞網(wǎng)絡(luò)壓縮和加速 152
7.3.4 全局逐步網(wǎng)絡(luò)剪枝 154
7.3.5 改進(jìn)"老師與學(xué)生"的壓縮和加速網(wǎng)絡(luò)訓(xùn)練方法 155
7.4 實(shí)驗(yàn)與分析 156
7.4.1 特征提取網(wǎng)絡(luò)實(shí)驗(yàn) 156
7.4.2 宮頸癌細(xì)胞識(shí)別實(shí)驗(yàn) 158
7.4.3 宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò)的壓縮和加速實(shí)驗(yàn) 160
8 基于YOLO網(wǎng)絡(luò)的宮頸異常細(xì)胞檢測(cè)與識(shí)別方法研究 164
8.1 宮頸細(xì)胞檢測(cè)和識(shí)別技術(shù)基礎(chǔ) 164
8.1.1 宮頸癌細(xì)胞形態(tài)學(xué)診斷技術(shù)基礎(chǔ) 164
8.1.2 顯微鏡下宮頸細(xì)胞圖像采集系統(tǒng) 165
8.1.3 宮頸細(xì)胞圖像預(yù)處理 169
8.1.4 宮頸細(xì)胞圖像數(shù)據(jù)集構(gòu)建 172
8.2 面向?qū)m頸異常細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn) 174
8.2.1 YOLOv3網(wǎng)絡(luò)概述 174
8.2.2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn) 179
8.3 基于細(xì)胞數(shù)據(jù)集的模型訓(xùn)練方法優(yōu)化 183
8.3.1 目標(biāo)框維度聚類(lèi)分析 183
8.3.2 Loss函數(shù)的定義與改進(jìn) 185
8.3.3 NMS算法優(yōu)化 189
8.3.4 基于細(xì)胞數(shù)據(jù)集優(yōu)化后的模型訓(xùn)練 190
8.4 實(shí)驗(yàn)結(jié)果與分析 191
8.4.1 宮頸癌輔助診斷系統(tǒng) 191
8.4.2 面向?qū)m頸異常細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)實(shí)驗(yàn) 194
8.4.3 基于細(xì)胞數(shù)據(jù)集的模型訓(xùn)練優(yōu)化實(shí)驗(yàn) 199
9 宮頸細(xì)胞定量分析系統(tǒng)關(guān)鍵技術(shù)研究 204
9.1 基于感興趣區(qū)域的ROI聚焦系統(tǒng)設(shè)計(jì) 204
9.1.1 宮頸細(xì)胞DNA涂片與細(xì)胞分類(lèi) 204
9.1.2 顯微鏡聚焦系統(tǒng)整體架構(gòu) 207
9.1.3 基于ROI的顯微鏡聚焦算法 208
9.2 宮頸細(xì)胞涂片分割與檢測(cè)方法研究 217
9.2.1 宮頸細(xì)胞分割方法研究 218
9.2.2 宮頸細(xì)胞特征提取與選擇 226
9.2.3 基于Adaboost-SVM的宮頸細(xì)胞分類(lèi) 232
9.3 宮頸細(xì)胞DNA定量分析 236
9.3.1 生物學(xué)與光學(xué)基礎(chǔ) 236
9.3.2 基于細(xì)胞圖像的DNA定量計(jì)算 238
9.3.3 基于LSTM的宮頸上皮細(xì)胞數(shù)據(jù)分類(lèi) 242
9.4 實(shí)驗(yàn)與分析 245
9.4.1 顯微鏡ROI聚焦實(shí)驗(yàn) 245
9.4.2 細(xì)胞分割實(shí)驗(yàn) 249
9.4.3 特征提取實(shí)驗(yàn) 254
9.4.4 細(xì)胞分類(lèi)實(shí)驗(yàn) 256
9.4.5 宮頸細(xì)胞DNA定量分析實(shí)驗(yàn) 258
10 基于改進(jìn)DSOD網(wǎng)絡(luò)的乳腺鉬靶圖像腫塊分類(lèi)方法研究 263
10.1 乳腺X射線圖像預(yù)處理 263
10.1.1 乳腺鉬靶X射線圖像和病灶特征簡(jiǎn)介 263
10.1.2 乳腺鉬靶X射線圖像數(shù)據(jù)集 264
10.1.3 圖像預(yù)處理 265
10.2 DSOD網(wǎng)絡(luò)的改進(jìn) 270
10.2.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)概述 270
10.2.2 DSOD網(wǎng)絡(luò)模型 270
10.2.3 基于深度可分離卷積的稠密卷積模塊 274
10.2.4 引入基于通道域注意力機(jī)制的SE-Block 277
10.3 改進(jìn)的DSOD網(wǎng)絡(luò)在乳腺腫塊分類(lèi)中的應(yīng)用 279
10.3.1 改進(jìn)的DSOD網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 279
10.3.2 模型訓(xùn)練 284
10.3.3 損失函數(shù)的改進(jìn) 285
10.4 乳腺鉬靶X射線圖像的腫塊分類(lèi)實(shí)驗(yàn)與分析 289
10.4.1 實(shí)驗(yàn)環(huán)境 289
10.4.2 數(shù)據(jù)處理 289
10.4.3 評(píng)價(jià)指標(biāo) 290
10.4.4 實(shí)驗(yàn)結(jié)果與分析 291
參考文獻(xiàn) 296
展開(kāi)全部
人工智能與病理診斷 作者簡(jiǎn)介
郟東耀，博士生導(dǎo)師，北京交通大學(xué)教授，工業(yè)大數(shù)據(jù)研究院院長(zhǎng)，大數(shù)據(jù)與智慧測(cè)控研究中心主任。主要科研方向?yàn)樾滦蜋z測(cè)技術(shù)及數(shù)據(jù)處理、智能視覺(jué)檢測(cè)技術(shù)、深度學(xué)習(xí)新理論及其應(yīng)用，發(fā)表學(xué)術(shù)論文80余篇。曾主持或參與國(guó)家863計(jì)劃重大項(xiàng)目、國(guó)家自然科學(xué)基金重大項(xiàng)目、國(guó)家科技支撐計(jì)劃項(xiàng)目等。
書(shū)友推薦
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
苦雨齋序跋文-周作人自編集
- >
羅庸西南聯(lián)大授課錄
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
隨園食單
- >
月亮虎
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類(lèi)學(xué)概述
- >
李白與唐代文化
本類(lèi)暢銷(xiāo)
