基于PET-CT的肺癌早期計算機輔助診斷技術

定　價：￥32.00

作　者：	趙涓涓
出版社：	國防工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787118101539	出版時間：	2015-05-01	包裝：
開本：	32開	頁數(shù)：	128	字數(shù)：

內(nèi)容簡介

　　《基于PET-CT的肺癌早期計算機輔助診斷技術》融合當前醫(yī)學圖像處理、計算機輔助診斷技術的發(fā)展和作者科研實踐的研究成果，詳細描述了基于PET—CT的肺癌早期計算機輔助診斷技術的幾個關鍵部分。分別從肺部影像計算機去噪算法，PET—CT醫(yī)學圖像去噪方法，多模態(tài)醫(yī)學圖像配準和融合方法，肺結節(jié)計算機輔助診斷特征選擇方法，以及肺部結節(jié)良、惡性的分類方法和預測模型等方面進行了描述，詳細介紹了各個方面的算法描述、實驗結果和結果分析，力求向讀者展示出對PET—CT的肺癌早期計算機輔助診斷相關技術的新研究動態(tài)，希望能為從事相關研究的廣大讀者提供參考，能對醫(yī)學圖像處理、計算機輔助診斷技術的發(fā)展起到推動作用。書中參考文獻所列作者發(fā)表的科研論文也可作為《基于PET-CT的肺癌早期計算機輔助診斷技術》的擴展閱讀?！痘赑ET-CT的肺癌早期計算機輔助診斷技術》可作為高等院校醫(yī)學圖像處理、計算機輔助診斷及相關專業(yè)的教材，也可供專門從事醫(yī)學圖像處理、計算機輔助診斷的科研和應用人員學習參考。

作者簡介

暫缺《基于PET-CT的肺癌早期計算機輔助診斷技術》作者簡介

圖書目錄

第1章緒論
1.1 醫(yī)學影像研究
1.2 計算機輔助診斷
1.3 基于PET—cT的肺癌早期計算機輔助診斷
1.4 本書的結構
第2章 PET—CT醫(yī)學圖像去噪
2.1 傳統(tǒng)圖像去噪方法及其缺點
2.1.1 中值濾波
2.1.2 均值濾波
2.1.3 小波濾波
2.1.4 傳統(tǒng)去噪方法的實驗效果
2.2 基于非局部平均方法的圖像去噪
2.2.1 基于片相似性的非局部圖像去噪
2.2.2 改進的各向異性擴散模型的醫(yī)學去噪
2.3 基于非局部平均方法的PET圖像去噪
2.3.1 非局部平均方法
2.3.2 非局部平均方法的改進
2.3.3 實驗及結果分析
2.4 基于灰色關聯(lián)分析和GM模型的醫(yī)學圖像去噪
2.4.1 噪聲點的檢測
2.4.2 去噪處理
2.4.3 實驗及結果分析
第3章肺部PET-CT圖像的分割
3.1 傳統(tǒng)醫(yī)學圖像分割方法
3.1.1 分水嶺圖像分割
3.1.2 基于區(qū)域增長的圖像分割
3.1.3 閾值分割
3.2 結合區(qū)域增長的多尺度分水嶺分割
3.2.1 方法概述
3.2.2 實驗結果
3.2.3 結果分析
3.3 基于分層模板的分水嶺圖像分割
3.3.1 方法概述
3.3.2 實驗結果
3.3.3 結果分析
3.4 基于suV閾值和區(qū)域增長的圖像分割
3.4.1 方法概述
3.4.2 實驗結果
3.4.3 結果分析
3.5 基于左右掃描和四角旋轉掃描尋找種子點的區(qū)域生長肺分割算法
3.5.1 方法概述
3.5.2 實驗結果
3.5.3 結果分析
3.6 基于滾球法的肺實質(zhì)分割方法
3.6.1 方法概述
3.6.2 實驗結果
3.6.3 結果分析
3.7 基于PET-CT的活動輪廓模型的圖像分割
3.7.1 方法概述
3.7.2 實驗結果
3.7.3 結果分析
第4章 PET一CT醫(yī)學圖像的配準和融合
4.1 醫(yī)學圖像配準
4.1.1 圖像配準的定義
4.1.2 醫(yī)學圖像配準流程及框架
4.1.3 醫(yī)學圖像配準分類
4.2 基于互信息的圖像配準
4.2.1 互信息配準
4.3 改進的基于互信息的圖像配準
4.3.1 改進的互信息方法描述
4.3.2 實驗及結果分析
4.4 醫(yī)學圖像融合
4.4.1 醫(yī)學圖像融合方法
4.4.2 醫(yī)學圖像融合規(guī)則
4.4.3 圖像融合的評價方法
4.5 基于多尺度的醫(yī)學圖像融合
4.5.1 基于多尺度的醫(yī)學圖像融合方法
4.5.2 實驗及結果分析
第5章肺結節(jié)診斷模型的特征選擇
5.1 肺結節(jié)診斷模型中特征選擇概述
5.2 構建孤立性肺結節(jié)特征集
5.3 基于聯(lián)合互信息的特征選擇算法
5.3.1 基于聯(lián)合互信息的特征選擇算法設計
5.3.2 實驗及結果分析
第6章肺結節(jié)良性、惡性分類
6.1 傳統(tǒng)的SVM、FSVM分類方法
6.1.1 SVM分類方法
6.1.2 FSVM分類方法
6.2 SVM優(yōu)化
6.2.1 粒子群算法
6.2.2 粒子群算法優(yōu)化支持向量機
6.2.3 實驗及結果分析
6.3 DFSVM分類及其應用
6.3.1 DFSVM方法
6.3.2 實驗及結果分析
第7章肺結節(jié)良性、惡性預測模型
7.1 醫(yī)學診斷模型概述
7.2 基于Logistic分析的預測模型
7.2.1 統(tǒng)計學分析方法
7.2.2 結節(jié)征象單因素和多因素分析
7.2.3 預測模型的建立
7.3 實驗與分析
7.3.1 實驗數(shù)據(jù)集
7.3.2 實驗對比與分析
參考文獻