基于PET-CT的肺癌早期計算機(jī)輔助診斷技術(shù)

第1章 緒論
1.1 醫(yī)學(xué)影像研究
1.2 計算機(jī)輔助診斷
1.3 基于PET—cT的肺癌早期計算機(jī)輔助診斷
1.4 本書的結(jié)構(gòu)
第2章 PET—CT醫(yī)學(xué)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(jìn)的各向異性擴(kuò)散模型的醫(yī)學(xué)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(jìn)
2.3.3 實驗及結(jié)果分析
2.4 基于灰色關(guān)聯(lián)分析和GM模型的醫(yī)學(xué)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(jié)果分析
第3章 肺部PET-CT圖像的分割
3.1 傳統(tǒng)醫(yī)學(xué)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(jié)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(jié)果
3.2.3 結(jié)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(jié)果
3.3.3 結(jié)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(jié)果
3.4.3 結(jié)果分析
3.5 基于左右掃描和四角旋轉(zhuǎn)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(jié)果
3.5.3 結(jié)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(jié)果
3.6.3 結(jié)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(jié)果
3.7.3 結(jié)果分析
第4章 PET一CT醫(yī)學(xué)圖像的配準(zhǔn)和融合
4.1 醫(yī)學(xué)圖像配準(zhǔn)
4.1.1 圖像配準(zhǔn)的定義
4.1.2 醫(yī)學(xué)圖像配準(zhǔn)流程及框架
4.1.3 醫(yī)學(xué)圖像配準(zhǔn)分類
4.2 基于互信息的圖像配準(zhǔn)
4.2.1 互信息配準(zhǔn)
4.3 改進(jìn)的基于互信息的圖像配準(zhǔn)
4.3.1 改進(jìn)的互信息方法描述
4.3.2 實驗及結(jié)果分析
4.4 醫(yī)學(xué)圖像融合
4.4.1 醫(yī)學(xué)圖像融合方法
4.4.2 醫(yī)學(xué)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(xué)圖像融合
4.5.1 基于多尺度的醫(yī)學(xué)圖像融合方法
4.5.2 實驗及結(jié)果分析
第5章 肺結(jié)節(jié)診斷模型的特征選擇
5.1 肺結(jié)節(jié)診斷模型中特征選擇概述
5.2 構(gòu)建孤立性肺結(jié)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(shè)計
5.3.2 實驗及結(jié)果分析
第6章 肺結(jié)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(jī)
6.2.3 實驗及結(jié)果分析
6.3 DFSVM分類及其應(yīng)用
6.3.1 DFSVM方法
6.3.2 實驗及結(jié)果分析
第7章 肺結(jié)節(jié)良性、惡性預(yù)測模型
7.1 醫(yī)學(xué)診斷模型概述
7.2 基于Logistic分析的預(yù)測模型
7.2.1 統(tǒng)計學(xué)分析方法
7.2.2 結(jié)節(jié)征象單因素和多因素分析
7.2.3 預(yù)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(xiàn)