人工智能与病理诊断

本书系统介绍了人工智能在病理诊断领域应用的基本问题及其相关处理技术，主要内容涉及人工智能与病理诊断的理论、算法和典型应用实例。本书共10章，包括人工智能概述、深度学习、病理诊断分析、细胞病理诊断、基于强特征CNN-SVM的宫颈癌细胞检测、基于改进SSD网络的宫颈细胞分类检测系统、基于改进ResNet的宫颈癌细胞识别、基于YOLO网络的宫颈异常细胞检测与识别方法研究、宫颈细胞定量分析系统关键技术研究和基于改进DSOD网络的乳腺钼靶图像肿块分类方法研究等内容。
本书由浅入深，通过人工智能相关技术的应用实例对该技术在病理诊断领域的应用进行了具体生动的介绍，可作为从事相关领域的病理医生、教师和学生等研究人员的参考用书。

1 人工智能概述 1
1.1 人工智能的定义 1
1.2 强人工智能、弱人工智能和超人工智能 2
1.3 人工智能的研究方法 3
1.4 人工智能的基本应用 8
2 深度学习 12
2.1 深度学习简介 12
2.2 人工神经网络下的深度学习 13
2.3 典型的深度学习网络架构 14
2.3.1 LeNet 14
2.3.2 AlexNet 17
2.3.3 VGGNet 19
2.3.4 ResNet 21
2.3.5 DenseNet 22
2.4 深度学习的应用 24
2.4.1 物体检测 24
2.4.2 图像分割 25
2.4.3 图像标题生成 26
2.4.4 图像风格变换 27
2.4.5 自动驾驶 28
3 病理诊断分析 30
3.1 病理学基础 30
3.1.1 诊断病理学 30
3.1.2 诊断病理学的任务 31
3.2 病理诊断方法 32
3.2.1 病理诊断设备 32
3.2.2 病理诊断要点 32
3.2.3 病理材料的存档 34
3.2.4 临床与质量保证 35
3.3 病理诊断中常见的病理过程 35
3.3.1 组织和细胞的适应与损伤 35
3.3.2 炎症 39
3.3.3 肿瘤 40
4 细胞病理诊断 42
4.1 细胞学基础 42
4.2 细胞病理学 43
4.2.1 细胞病理学检查程序 43
4.2.2 细胞病理学在肿瘤诊断中的作用 44
4.2.3 细胞病理学的应用价值 44
4.2.4 细胞病理学诊断的局限性 45
4.2.5 细胞病理学报告 46
4.3 宫颈细胞病理学 46
4.3.1 宫颈细胞病理学的基本现状和进展 46
4.3.2 宫颈正常细胞的形态 47
4.3.3 宫颈细胞学分类诊断标准 50
4.4 乳腺细胞病理学 54
4.4.1 乳腺细胞病理学的进展 54
4.4.2 乳腺肿块FNAC检查 55
4.4.3 乳腺癌的针吸细胞学 56
5 基于强特征CNN-SVM的宫颈癌细胞检测 58
5.1 自动显微成像平台设计 58
5.1.1 设计原则与总体框图 58
5.1.2 光学显微镜及放大倍数选择 59
5.1.3 自动载物平台设计 59
5.1.4 自动对焦方法研究 60
5.2 基于改进随机森林算法的上皮细胞识别 65
5.2.1 图像分割 65
5.2.2 细胞图像的特征提取 68
5.2.3 基于人工鱼群算法优化的随机森林模型 73
5.3 基于强特征CNN-SVM的癌变上皮细胞识别 78
5.3.1 数据集扩增与良性仿射 78
5.3.2 强特征CNN-SVM网络模型 80
5.3.3 基于强特征CNN-SVM模型的癌细胞识别 84
5.4 实验与分析 87
5.4.1 自动对焦实验 88
5.4.2 基于改进随机森林算法的上皮细胞识别实验 89
5.4.3 基于强特征CNN-SVM的癌变上皮细胞识别实验 93
6 基于改进SSD网络的宫颈细胞分类检测系统 97
6.1 显微镜成像自动扫描系统设计 97
6.1.1 宫颈鳞状上皮细胞形态学特点 97
6.1.2 显微镜成像自动扫描系统整体架构 98
6.1.3 自动对焦算法 100
6.1.4 图像平移拼接 103
6.2 基于改进SSD网络的细胞分类检测算法 103
6.2.1 SSD网络模型 103
6.2.2 正反向特征融合 108
6.2.3 双线性汇合特征分析 112
6.3 图像数据处理及模型训练 114
6.3.1 实验平台介绍 114
6.3.2 数据处理 115
6.3.3 Loss函数的定义与改进 116
6.3.4 防止过拟合 118
6.3.5 模型训练 119
6.4 实验与分析 120
6.4.1 显微镜成像自动扫描实验 120
6.4.2 细胞分类检测实验 123
7 基于改进ResNet的宫颈癌细胞识别 129
7.1 深度学习与宫颈癌细胞 129
7.1.1 深度学习概述 129
7.1.2 卷积神经网络 129
7.1.3 基于深度学习的目标检测算法 131
7.1.4 宫颈癌细胞及识别数据集制作 132
7.2 基于改进ResNet-SSD网络的宫颈癌细胞识别 135
7.2.1 特征提取网络 135
7.2.2 基于改进SSD算法的宫颈脱落细胞识别 141
7.2.3 网络模型训练 145
7.3 宫颈癌细胞识别网络的压缩和加速 145
7.3.1 网络压缩和加速的必要性及可能性 145
7.3.2 网络压缩和加速 146
7.3.3 基于OD-FWSI的宫颈癌细胞网络压缩和加速 152
7.3.4 全局逐步网络剪枝 154
7.3.5 改进"老师与学生"的压缩和加速网络训练方法 155
7.4 实验与分析 156
7.4.1 特征提取网络实验 156
7.4.2 宫颈癌细胞识别实验 158
7.4.3 宫颈癌细胞识别网络的压缩和加速实验 160
8 基于YOLO网络的宫颈异常细胞检测与识别方法研究 164
8.1 宫颈细胞检测和识别技术基础 164
8.1.1 宫颈癌细胞形态学诊断技术基础 164
8.1.2 显微镜下宫颈细胞图像采集系统 165
8.1.3 宫颈细胞图像预处理 169
8.1.4 宫颈细胞图像数据集构建 172
8.2 面向宫颈异常细胞的网络结构改进 174
8.2.1 YOLOv3网络概述 174
8.2.2 YOLOv3网络结构改进 179
8.3 基于细胞数据集的模型训练方法优化 183
8.3.1 目标框维度聚类分析 183
8.3.2 Loss函数的定义与改进 185
8.3.3 NMS算法优化 189
8.3.4 基于细胞数据集优化后的模型训练 190
8.4 实验结果与分析 191
8.4.1 宫颈癌辅助诊断系统 191
8.4.2 面向宫颈异常细胞的网络结构改进实验 194
8.4.3 基于细胞数据集的模型训练优化实验 199
9 宫颈细胞定量分析系统关键技术研究 204
9.1 基于感兴趣区域的ROI聚焦系统设计 204
9.1.1 宫颈细胞DNA涂片与细胞分类 204
9.1.2 显微镜聚焦系统整体架构 207
9.1.3 基于ROI的显微镜聚焦算法 208
9.2 宫颈细胞涂片分割与检测方法研究 217
9.2.1 宫颈细胞分割方法研究 218
9.2.2 宫颈细胞特征提取与选择 226
9.2.3 基于Adaboost-SVM的宫颈细胞分类 232
9.3 宫颈细胞DNA定量分析 236
9.3.1 生物学与光学基础 236
9.3.2 基于细胞图像的DNA定量计算 238
9.3.3 基于LSTM的宫颈上皮细胞数据分类 242
9.4 实验与分析 245
9.4.1 显微镜ROI聚焦实验 245
9.4.2 细胞分割实验 249
9.4.3 特征提取实验 254
9.4.4 细胞分类实验 256
9.4.5 宫颈细胞DNA定量分析实验 258
10 基于改进DSOD网络的乳腺钼靶图像肿块分类方法研究 263
10.1 乳腺X射线图像预处理 263
10.1.1 乳腺钼靶X射线图像和病灶特征简介 263
10.1.2 乳腺钼靶X射线图像数据集 264
10.1.3 图像预处理 265
10.2 DSOD网络的改进 270
10.2.1 基于深度学习的目标检测概述 270
10.2.2 DSOD网络模型 270
10.2.3 基于深度可分离卷积的稠密卷积模块 274
10.2.4 引入基于通道域注意力机制的SE-Block 277
10.3 改进的DSOD网络在乳腺肿块分类中的应用 279
10.3.1 改进的DSOD网络结构设计 279
10.3.2 模型训练 284
10.3.3 损失函数的改进 285
10.4 乳腺钼靶X射线图像的肿块分类实验与分析 289
10.4.1 实验环境 289
10.4.2 数据处理 289
10.4.3 评价指标 290
10.4.4 实验结果与分析 291
参考文献 296