生物醫(yī)學(xué)數(shù)字圖像處理技術(shù)

目錄
前言
第1章生物細(xì)胞圖像處理1
1.1深度學(xué)習(xí)方法概述1
1.1.1深度學(xué)習(xí)方法在細(xì)胞圖像處理中的新進(jìn)展1
1.1.2深度學(xué)習(xí)方法的局限性2
1.2生物醫(yī)學(xué)細(xì)胞圖像分割的常用方法3
1.3基于PCNN自動(dòng)波特征的血細(xì)胞圖像分割和計(jì)數(shù)方法7
1.4基于同步可調(diào)點(diǎn)火脈沖耦合神經(jīng)網(wǎng)絡(luò)的細(xì)胞核分割12
1.4.1同步可調(diào)點(diǎn)火的脈沖耦合神經(jīng)網(wǎng)絡(luò)12
1.4.2色調(diào)提取器13
1.4.3區(qū)域生長單元13
1.4.4實(shí)驗(yàn)結(jié)果15
1.5基于距離估計(jì)的HE圖像細(xì)胞核標(biāo)定16
1.5.1細(xì)胞核的標(biāo)定方法17
1.5.2實(shí)驗(yàn)結(jié)果19
1.6基于乳腺腫瘤細(xì)胞形態(tài)特征參數(shù)的乳腺癌診斷研究21
1.6.1基于乳腺腫瘤細(xì)胞形態(tài)特征參數(shù)的乳腺癌診斷22
1.6.2乳腺癌細(xì)胞特征參數(shù)與乳腺癌診斷之間關(guān)系23
1.6.3細(xì)胞分形與乳腺癌診斷之間關(guān)系24
參考文獻(xiàn)25
第2章乳腺密度測(cè)量30
2.1乳腺密度測(cè)量方法概述30
2.1.1定性的乳腺密度測(cè)量方法30
2.1.2定量的乳腺密度測(cè)量方法32
2.2基于乳腺紋理特征的乳腺密度測(cè)量方法33
2.2.1乳腺鉬靶X射線圖像的預(yù)處理33
2.2.2乳腺鉬靶X射線圖像的密度測(cè)量36
2.2.3乳腺鉬靶X射線圖像的密度數(shù)據(jù)分析39
2.2.4結(jié)果和討論42
2.3基于SVM的乳腺密度分類方法43
2.3.1乳腺鉬靶X射線影像數(shù)據(jù)集和預(yù)處理44
2.3.2乳腺腺體組織的分割46
2.3.3乳腺紋理特征提取50
2.3.4乳腺密度分類53
2.3.5結(jié)果和討論55
2.4基于醫(yī)學(xué)影像信息管理系統(tǒng)的乳腺影像數(shù)據(jù)集建設(shè)59
2.4.1乳腺鉬靶X射線圖像數(shù)據(jù)集59
2.4.2建設(shè)乳腺影像數(shù)據(jù)集的必要性分析64
參考文獻(xiàn)69
第3章基于深度學(xué)習(xí)的乳腺圖像處理74
3.1基于深度學(xué)習(xí)的醫(yī)學(xué)圖像處理簡介74
3.2基于深度學(xué)習(xí)的乳腺密度測(cè)量76
3.2.1深度學(xué)習(xí)方法簡介76
3.2.2具體的實(shí)現(xiàn)方法77
3.3基于深度學(xué)習(xí)的乳腺圖像異常分類新方法79
3.3.1乳腺圖像分類相關(guān)工作79
3.3.2基于深度學(xué)習(xí)的病變分類方法81
3.3.3基于深度學(xué)習(xí)的病變分類新方法實(shí)驗(yàn)83
3.4基于深度學(xué)習(xí)的乳腺腫塊感興趣區(qū)域提取86
3.4.1深度學(xué)習(xí)目標(biāo)檢測(cè)模型87
3.4.2采用改進(jìn)的FasterR-CNN提取乳腺腫塊的感興趣區(qū)域88
3.5基于深度學(xué)習(xí)的乳腺腫塊分割93
3.5.1深度學(xué)習(xí)語義分割模型介紹94
3.5.2乳腺腫塊分割對(duì)比實(shí)驗(yàn)95
參考文獻(xiàn)96
第4章超聲圖像分析處理101
4.1醫(yī)學(xué)超聲圖像分析簡介101
4.1.1成像機(jī)理與超聲檢查方式101
4.1.2膽囊結(jié)石超聲圖像典型特征102
4.1.3膽囊結(jié)石圖像分割研究綜述103
4.2基于PCNN和數(shù)學(xué)形態(tài)學(xué)的膽囊結(jié)石超聲圖像全自動(dòng)分割方法104
4.2.1分割總步驟104
4.2.2結(jié)構(gòu)元素的確定104
4.2.3膽囊結(jié)石超聲圖像預(yù)處理105
4.2.4膽囊區(qū)域的分割113
4.2.5結(jié)石區(qū)域的分割114
4.2.6膽囊區(qū)域的后處理124
4.2.7結(jié)石區(qū)域的后處理130
4.2.8膽囊圖像分割實(shí)驗(yàn)討論131
4.3基于PCNN和水平集算法的膽囊結(jié)石超聲圖像分割方法140
4.3.1PCNN算法簡介140
4.3.2基于PCNN算法的結(jié)石分割方法141
4.3.3基于水平集算法的結(jié)石分割方法144
4.4基于PCNN的前列腺超聲圖像病理區(qū)域檢測(cè)方法145
參考文獻(xiàn)146
第5章心室分割與三維重構(gòu)149
5.1感興趣區(qū)域自動(dòng)提取149
5.2心室分割算法151
5.2.1基于SPCNN的LV內(nèi)膜分割算法151
5.2.2基于參數(shù)活動(dòng)輪廓模型的LV外膜分割算法153
5.2.3基于SPCNN與ASM的LV內(nèi)、外膜分割算法154
5.2.4基于改進(jìn)水平集的LV內(nèi)膜分割算法156
5.2.5基于SPCNN與數(shù)學(xué)形態(tài)學(xué)的RV內(nèi)、外膜分割算法158
5.3左心室三維重構(gòu)160
5.3.1三維重構(gòu)與圖像插值160
5.3.2基于MC算法的左心室三維表面重構(gòu)在MATLAB上的實(shí)現(xiàn)160
5.3.3基于輪廓線插值算法的左心室三維表面重構(gòu)在OpenGL上的實(shí)現(xiàn)161
參考文獻(xiàn)163
第6章高度欠采樣磁共振腦成像重構(gòu)165
6.1壓縮感知理論與磁共振成像165
6.1.1壓縮感知理論165
6.1.2磁共振成像166
6.2基于非子采樣Shearlet稀疏先驗(yàn)的高度欠采樣MRI圖像重構(gòu)168
6.2.1Shearlet變換168
6.2.2離散Shearlet變換的實(shí)現(xiàn)170
6.2.3非子采樣Shearlet變換170
6.2.4基于NSST稀疏先驗(yàn)的高度欠采樣MRI圖像重構(gòu)方法173
6.3基于擴(kuò)展的約束型分裂增廣拉格朗日收縮算法的MRI圖像重構(gòu)177
6.3.1字典學(xué)習(xí)和基于字典學(xué)習(xí)的稀疏表示177
6.3.2擴(kuò)展的約束型分裂增廣拉格朗日收縮算法180
6.4基于UDCT域多尺度字典學(xué)習(xí)的MRI圖像重構(gòu)182
6.4.1多尺度字典學(xué)習(xí)182
6.4.2均勻離散Curvelet變換183
6.4.3基于UDCT域多尺度字典學(xué)習(xí)雙重稀疏化模型186
6.4.4適應(yīng)于多尺度字典學(xué)習(xí)雙重稀疏化模型的PB_CSALSA用于MRI圖像重構(gòu)190
參考文獻(xiàn)192
第7章心電圖自動(dòng)分析與心電監(jiān)護(hù)系統(tǒng)設(shè)計(jì)195
7.1基于提升小波變換與時(shí)域極值分布特性的ECG自動(dòng)分析195
7.1.1心電信號(hào)基礎(chǔ)知識(shí)195
7.1.2ECG特性與預(yù)處理研究難點(diǎn)197
7.1.3實(shí)驗(yàn)數(shù)據(jù)集199
7.1.4基于提升小波變換的ECG信號(hào)預(yù)處理201
7.1.5基于ECG極大值分布特性的QRS波群檢測(cè)203
7.2基于MSP430的ECG智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)209
7.2.1硬件設(shè)計(jì)210
7.2.2軟件設(shè)計(jì)213
7.2.3系統(tǒng)測(cè)試總結(jié)215
7.3基于STM32和FPGA雙處理器架構(gòu)的ECG監(jiān)護(hù)系統(tǒng)設(shè)計(jì)216
7.3.1基于平穩(wěn)小波變換和形態(tài)學(xué)濾波的ECG信號(hào)去噪算法217
7.3.2系統(tǒng)硬件設(shè)計(jì)與實(shí)現(xiàn)219
7.3.3系統(tǒng)軟件設(shè)計(jì)與實(shí)現(xiàn)223
7.3.4系統(tǒng)測(cè)試總結(jié)225
參考文獻(xiàn)227
第8章醫(yī)學(xué)圖像的混沌加密230
8.1數(shù)字圖像加密算法概述230
8.1.1數(shù)字圖像加密算法的要求230
8.1.2幾種典型的數(shù)字圖像加密算法231
8.2混沌理論概述232
8.2.1混沌的定義232
8.2.2混沌系統(tǒng)的判斷方法234
8.2.3幾種**的混沌系統(tǒng)237
8.3醫(yī)學(xué)圖像的混沌加密算法248
8.3.1混沌加密算法簡介249
8.3.2實(shí)驗(yàn)結(jié)果252
參考文獻(xiàn)257