數(shù)理醫(yī)學(xué)

目錄
前言
第一部分 數(shù)理醫(yī)學(xué)引論
第1章 數(shù)理醫(yī)學(xué)簡(jiǎn)介 3
1.1 數(shù)理醫(yī)學(xué)及其研究意義 3
1.2 相關(guān)原理 11
1.2.1 大數(shù)據(jù)及數(shù)據(jù)科學(xué)中的基本原理 11
1.2.2 數(shù)理醫(yī)學(xué)中的基本原理 12
1.3 數(shù)理醫(yī)學(xué)研究的特點(diǎn) 12
第2章 數(shù)理醫(yī)學(xué)建?；A(chǔ) 13
2.1 數(shù)理醫(yī)學(xué)建模導(dǎo)引 13
2.1.1 建模問(wèn)題分類 14
2.1.2 建?；玖鞒?15
2.1.3 數(shù)據(jù)的特征表示 15
2.1.4 模型性能 19
2.1.5 模型計(jì)算 22
2.2 人工神經(jīng)網(wǎng)絡(luò)與深度模型 23
2.2.1 多層神經(jīng)網(wǎng)絡(luò) 24
2.2.2 卷積神經(jīng)網(wǎng)絡(luò) 26
2.2.3 深度卷積網(wǎng)絡(luò) 27
2.2.4 神經(jīng)網(wǎng)絡(luò)的優(yōu)化與預(yù)測(cè) 28
2.3 模型優(yōu)化基礎(chǔ) 28
2.3.1 一般優(yōu)化問(wèn)題 28
2.3.2 凸優(yōu)化問(wèn)題 29
2.3.3 拉格朗日對(duì)偶問(wèn)題 30
2.3.4 優(yōu)化問(wèn)題中的特殊結(jié)構(gòu) 31
2.3.5 無(wú)約束優(yōu)化算法 32
2.3.6 約束凸優(yōu)化算法 40
2.4 醫(yī)學(xué)大數(shù)據(jù) 45
2.5 醫(yī)學(xué)圖像數(shù)據(jù)的處理、分析與解譯 46
參考文獻(xiàn) 47
第二部分 智能輔助診斷篇
第3章 基于超聲圖像的甲狀腺結(jié)節(jié)智能診斷 55
3.1 研究背景與現(xiàn)狀 55
3.1.1 甲狀腺結(jié)節(jié)超聲影像臨床診斷中的問(wèn)題 55
3.1.2 超聲影像的優(yōu)勢(shì)與分析難點(diǎn) 57
3.1.3 超聲甲狀腺結(jié)節(jié)輔助診斷的研究現(xiàn)狀與難點(diǎn) 59
3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)自動(dòng)分割 60
3.2.1 甲狀腺超聲圖像數(shù)據(jù)采集 62
3.2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 63
3.2.3 甲狀腺結(jié)節(jié)分割的深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu) 64
3.2.4 訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型 66
3.2.5 性能評(píng)估 67
3.2.6 模型分析與驗(yàn)證 67
3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)智能輔助診斷 73
3.3.1 甲狀腺數(shù)據(jù)采集及其預(yù)處理 75
3.3.2 融合的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu) 76
3.3.3 訓(xùn)練融合的卷積網(wǎng)絡(luò)模型 79
3.3.4 性能評(píng)估 80
3.3.5 甲狀腺的惡性指標(biāo) 80
3.3.6 模型分析與驗(yàn)證 80
3.4 本章結(jié)論與應(yīng)用新模式探索 88
參考文獻(xiàn) 90
第4章 兒童發(fā)育診斷中的數(shù)理醫(yī)學(xué)問(wèn)題和方法 96
4.1 研究背景 96
4.1.1 骨齡評(píng)定的意義 96
4.1.2 骨齡片拍攝需求 98
4.1.3 骨齡評(píng)定中的數(shù)理醫(yī)學(xué)問(wèn)題 99
4.2 骨齡評(píng)估 101
4.2.1 骨齡評(píng)估方法 101
4.2.2 智能骨齡評(píng)估中的圖像處理相關(guān)方法 103
4.3 總結(jié)與展望 111
參考文獻(xiàn) 111
第三部分 智能輔助手術(shù)篇
第5章 智能輔助手術(shù)導(dǎo)論 117
5.1 肝臟智能輔助手術(shù)系統(tǒng) 119
5.2 肝臟數(shù)據(jù)采集 125
5.2.1 CT圖像特點(diǎn) 125
5.2.2 肝臟多期CT掃描 126
參考文獻(xiàn) 127
第6章 肝臟CT圖像自動(dòng)分割 129
6.1 臨床需求與挑戰(zhàn) 129
6.2 肝臟自動(dòng)分割研究現(xiàn)狀 130
6.3 基于全卷積神經(jīng)網(wǎng)絡(luò)和局部先驗(yàn)信息的肝臟自動(dòng)分割 131
6.3.1 基于三維全卷積神經(jīng)網(wǎng)絡(luò)的肝臟自動(dòng)定位與分割 132
6.3.2 基于整體與局部先驗(yàn)信息的精細(xì)化分割模型 134
6.3.3 模型求解 137
6.3.4 模型分析與驗(yàn)證 137
6.3.5 應(yīng)用實(shí)例 141
6.4 腹部多器官分割 143
6.4.1 基于深度卷積神經(jīng)網(wǎng)絡(luò)的器官定位及先驗(yàn)學(xué)習(xí) 144
6.4.2 基于Potts模型的多區(qū)域分割模型 146
6.4.3 模型求解 147
6.4.4 模型分析與驗(yàn)證 148
6.4.5 應(yīng)用實(shí)例 150
6.5 總結(jié)與展望 152
參考文獻(xiàn) 153
第7章 肝臟血管的分割與拆分 156
7.1 醫(yī)學(xué)背景與研究意義 156
7.1.1 肝臟血管系統(tǒng)介紹 156
7.1.2 肝靜脈和門(mén)靜脈血管的分割與拆分及意義 157
7.2 血管分析的數(shù)學(xué)基礎(chǔ) 158
7.2.1 血管骨架與血管枝圖 158
7.2.2 隨機(jī)抽樣一致算法 159
7.2.3 Murray定理與Murray系數(shù) 161
7.3 血管增強(qiáng)與分割算法 162
7.3.1 肝臟區(qū)域預(yù)處理 163
7.3.2 肝臟靜脈預(yù)分割 163
7.3.3 肝臟靜脈增強(qiáng)及分割 163
7.3.4 肝臟靜脈后處理 164
7.4 血管拆分算法 164
7.4.1 預(yù)拆分以及血管交匯點(diǎn)提取 164
7.4.2 雙直線RANSAC模型對(duì)血管局部建模 166
7.4.3 基于Murray定理的肝臟靜脈血管拆分 169
7.5 實(shí)驗(yàn)結(jié)果 173
7.6 總結(jié)與展望 176
參考文獻(xiàn) 177
第8章 智能輔助肝癌熱消融術(shù)的理論、方法及應(yīng)用 178
8.1 肝癌消融治療概述 178
8.1.1 肝癌的危害及其治療方法 178
8.1.2 熱消融治療原理 179
8.1.3 熱消融治療的基本臨床步驟 179
8.1.4 智能輔助肝癌熱消融手術(shù) 181
8.2 熱消融溫度場(chǎng)建模與仿真：有限元方法 182
8.2.1 Pennes生物傳熱方程 182
8.2.2 輻射能量場(chǎng)建模 182
8.2.3 數(shù)值求解 186
8.3 熱消融溫度場(chǎng)建模與仿真：同質(zhì)化微擾理論 187
8.3.1 熱源能量分布模擬 187
8.3.2 均質(zhì)組織中溫度場(chǎng)模擬 189
8.3.3 大血管熱沉降作用模型 192
8.4 術(shù)前規(guī)劃手術(shù)方案 201
8.4.1 術(shù)前規(guī)劃的意義及研究現(xiàn)狀 201
8.4.2 基于一種帶約束聚類方法的不規(guī)則大腫瘤消融方案術(shù)前規(guī)劃方法 202
8.4.3 臨床應(yīng)用實(shí)例 209
8.5 術(shù)中實(shí)時(shí)導(dǎo)航 209
8.5.1 單一影像引導(dǎo)方式的局限性 210
8.5.2 術(shù)中定位技術(shù) 210
8.5.3 影像融合配準(zhǔn)技術(shù) 211
8.6 術(shù)后療效評(píng)估 213
8.6.1 模型預(yù)處理 213
8.6.2 信號(hào)燈評(píng)價(jià)方法 214
8.6.3 應(yīng)用實(shí)例 215
8.7 總結(jié)與展望 216
8.8 附錄 218
參考文獻(xiàn) 220
第四部分 術(shù)后評(píng)估篇
第9章 腫瘤影像的分割及療效評(píng)估 227
9.1 醫(yī)學(xué)CT影像中肝腫瘤的自動(dòng)分割 227
9.1.1 肝癌分割的背景 227
9.1.2 CT肝癌分割的難點(diǎn) 228
9.1.3 CT圖像中全自動(dòng)肝癌分割 228
9.2 腫瘤療效評(píng)估 232
9.2.1 腫瘤療效評(píng)估背景 232
9.2.2 腫瘤療效評(píng)估難點(diǎn) 232
9.2.3 腫瘤空間異質(zhì)性的影像學(xué)定量方法進(jìn)展 233
9.2.4 多b值DWI序列模型 237
9.2.5 本章提出的新參數(shù) 239
9.2.6 GDC模型有效性實(shí)驗(yàn)驗(yàn)證 240
9.2.7 基于GDC的功能參數(shù)圖 245
9.3 總結(jié)與展望 245
參考文獻(xiàn) 246
后記 250