醫(yī)學影像：人工智能、圖像識別和機器學習技術(shù)

目錄
第1章 用于改進胸部X線片結(jié)核檢測的一種新型堆疊集成模型 1
1.1 引言 1
1.2 材料與方法 5
1.3 結(jié)果與討論 11
1.4 結(jié)論與展望 17
第2章 人工智能在醫(yī)學影像中的作用：普通放射學和泌尿系統(tǒng)造影 18
2.1 人工智能 18
2.2 醫(yī)學中的人工智能 19
2.3 放射學中的人工智能 20
2.4 在泌尿外科中的應用 25
2.5 利與弊 26
2.6 未來考慮 26
第3章 基于頭皮腦電信號的癲癇發(fā)作早期檢測 27
3.1 引言 27
3.2 腦電圖 28
3.3 腦電信號處理 29
3.4 結(jié)果與討論 34
3.5 結(jié)論與展望 37
第4章 非小細胞肺癌組織學分類的分形分析 39
4.1 引言 39
4.2 方法 40
4.3 結(jié)論 46
第5章 基于多特征的膝關(guān)節(jié)骨關(guān)節(jié)炎X線圖像的分類 47
5.1 引言 47
5.2 骨關(guān)節(jié)炎的原因 47
5.3 膝關(guān)節(jié)骨關(guān)節(jié)炎程度 47
5.4 擬定工作 48
5.5 文獻調(diào)查 49
5.6 擬議方法學 51
5.7 基于紋理分析的特征提取法 56
5.8 結(jié)論 61
第6章 非增殖性糖尿病視網(wǎng)膜病變的檢測和分類 62
6.1 引言 62
6.2 方法 62
6.3 微動脈瘤的檢測 64
6.4 出血的檢測 64
6.5 滲出物的檢測 65
6.6 視網(wǎng)膜血管的提取 65
6.7 實驗工作 68
6.8 結(jié)論 90
第7章 CT圖像分割與分析在骨折檢測及標記中的應用 91
7.1 引言 91
4.2 方法 40
4.3 結(jié)論 46
第5章 基于多特征的膝關(guān)節(jié)骨關(guān)節(jié)炎X線圖像的分類 47
5.1 引言 47
5.2 骨關(guān)節(jié)炎的原因 47
5.3 膝關(guān)節(jié)骨關(guān)節(jié)炎程度 47
5.4 擬定工作 48
5.5 文獻調(diào)查 49
5.6 擬議方法學 51
5.7 基于紋理分析的特征提取法 56
5.8 結(jié)論 61
第6章 非增殖性糖尿病視網(wǎng)膜病變的檢測和分類 62
6.1 引言 62
6.2 方法 62
6.3 微動脈瘤的檢測 64
6.4 出血的檢測 64
6.5 滲出物的檢測 65
6.6 視網(wǎng)膜血管的提取 65
6.7 實驗工作 68
6.8 結(jié)論 90
第7章 CT圖像分割與分析在骨折檢測及標記中的應用 91
7.1 引言 91
9.2 全玻片成像的起源 126
9.3 病理成像數(shù)字化 127
9.4 病理成像的計算機分析 129
9.5 基礎(chǔ)設(shè)施管理 131
9.6 計算機病理醫(yī)學影像的研究 133
9.7 結(jié)論 135
第10章 病理醫(yī)學圖像分割：基于參數(shù)化技術(shù)的快速回顧 136
10.1 引言 136
10.2 醫(yī)學圖像分割技術(shù) 140
10.3 研究與對話 148
10.4 醫(yī)學圖像分割方法與實驗分析方法的比較 149
10.5 結(jié)論 151
參考文獻（掃描封底二維碼查看）