智能医学影像处理方法

本书系统地论述基于深 度学习的医学影像智能处理 方法，包括低剂量医学CT 影像的智能去噪方法，以及 医学影像中病灶的智能分割 方法。主要内容包括基于深 度学习的低剂量CT去噪方 法研究进展、基于深度学习 的肺部CT图像分割方法研 究进展、基于多特征提取的 低剂量CT图像去噪方法、 基于U-Net和多注意力的低 剂量CT图像去噪方法、基 于CNN和Transformer的低 剂量CT图像去噪方法、基 于多层注意力机制U-Net的 肺部CT图像分割网络、基 于多尺度特征融合U-Net的 皮肤病图像分割网络、基于 迁移学习和U-Net的肺部CT 图像分割方法、基于 Transformer和U-Net的CT 图像分割方法等。 全书内容是智能医学影 像处理领域的新进展，也是 近几年作者及其研究生团队 在该领域研究工作的系统总 结。本书可供学习、研究和 应用医学图像智能处理方法 的研究生、科研工作者和相 关技术人员阅读参考。

张聚，男，博士，浙江工业大学教授，博士生导师，曾为德国慕尼黑工业大学自动化与软件技术研究所访问学者、美国密歇根州立大学机械工程系访问教授，浙江省一流学科（计算机科学与技术学科，B类）负责人，入选浙江省151人才第二层次，浙江省高校中青年学科带头人，浙江省块状经济转型升级专家。主要研究方向为计算机先进控制、医学图像处理。主持完成国家自然科学基金项目2项、省部级项目3项，主持出版学术专著1部、译著3部、高校教材2部，发表SCI、EI学术研究论文30余篇，授权发明专利3项。荣获浙江省科技进步三等奖、浙江省高校科研成果一等奖、浙江省高等学校教坛新秀奖、浙江工业大学首届十佳青年教师等奖项。

第1章 基于深度学习的低剂量CT去噪方法研究进展 1.1 LDCT中的噪声与伪影 1.2 基于深度学习的LDCT去噪方法综述 1.2.1 基于CNN的方法 1.2.2 基于编码器—解码器的方法 1.2.3 基于GAN的方法 1.2.4 基于Transformer的方法 1.3 数据集 1.3.1 配对和未配对数据集 1.3.2 模拟数据集和真实数据集 1.3.3 数据增强 1.4 实验与结果讨论 1.4.1 实验参数设置 1.4.2 主观和视觉分析 1.4.3 定量分析 1.5 挑战与未来方向 1.5.1 基于多模态的LDCT去噪网络 1.5.2 双域级联去噪的深度学习框架 1.5.3 解决配对CT图像稀缺性的几种方法 1.6 本章小结 第2章 基于深度学习的肺部CT图像分割方法研究进展 2.1 深度学习与图像分割 2.2 图像采集与预处理 2.2.1 数据集 2.2.2 数据扩充 2.2.3 损失函数 2.2.4 评价指标 2.3 CT图像分割的深度学习模型 2.3.1 基于编码器—解码器的模型 2.3.2 基于注意力的模型 2.3.3 基于Transformer的模型 2.3.4 基于多尺度和金字塔网络的模型 2.3.5 基于扩张卷积的模型 2.4 实验与结果讨论 2.4.1 实验参数设置 2.4.2 主观和视觉分析 2.4.3 定量分析 2.5 挑战与未来趋势 2.5.1 更具挑战性的数据集 2.5.2 应用于CT成像分割的可解释性 2.5.3 缺乏完整的自动化系统 2.6 本章小结 第3章 基于多特征提取的低剂量CT图像去噪方法 3.1 医学CT图像中的噪声 3.2 卷积神经网络中多特征提取方法 3.2.1 多特征提取的残差学习 3.2.2 多特征提取和融合 3.2.3 特征提取卷积神经网络模型 3.2.4 网络训练优化问题 3.3 基于多特征提取的算法实现与实验 3.3.1 图像去噪性能评价指标 3.3.2 实验训练图像数据集 3.3.3 实验训练环境 3.3.4 实验训练阶段 3.4 实验结果分析与对比 3.4.1 实验结果分析 3.4.2 与其他去噪网络对比实验 3.5 本章小结 第4章 基于U-Net和多注意力的低剂量CT图像去噪方法 4.1 相关网络模型 4.1.1 U-Net网络 4.1.2 注意力机制 4.2 基于U-Net网络和多通道多注意力机制的去噪网络 4.2.1 局部注意模块 4.2.2 多特征通道注意模块 4.2.3 层级注意模块 4.2.4 增强学习模块 4.2.5 数据预处理 4.2.6 损失函数 4.2.7 网络训练细节 4.3 实验结果与分析 4.3.1 图像去噪性能评价指标 4.3.2 实验环境 4.3.3 实验结果分析 4.3.4 与其他去噪网络对比实验 4.3.5 注意力模块消融实验与分析 4.4 本章小结 第5章 基于CNN和Transformer的低剂量CT图像去噪方法 5.1 Transformer模型理论基础 5.1.1 Transformer中的自注意机制 5.1.2 掩码自注意力 5.1.3 多头注意力 5.1.4 前馈网络 5.1.5 计算机视觉中的Transformer 5.2 基于CNN和Transformer的低剂量CT图像去噪网络 5.2.1 整体网络架构 5.2.2 基于CNN的编码器 5.2.3 多尺度空间注意模块 5.2.4 双路径Transformer模块 5.3 神经网络训练 5.3.1 实验数据集 5.3.2 网络训练细节 5.4 实验与分析 5.4.1 图像去噪性能评价指标 5.4.2 实验结果分析和对比 5.4.3 消融实验 5.5 本章小结 第6章 基于多层注意机制U-Net的肺部CT图像分割网络 6.1 注意力机制 6.1.1 局部空间注意机制 6.1.2 通道空间注意机制 6.1.3 混合注意机制 6.1.4 非局部注意机制 6.1.5 位置注意机制 6.2 多层注意机制U-Net 6.2.1 边缘注意模块 6.2.2 形状注意模块 6.2.3 局部注意模块 6.2.4 上下文募集模块 6.2.5 瓶颈模块 6.3 神经网络训练 6.3.1 损失函数的选择与改进 6.3.2 实验数据集 6.3.3 数据预处理 6.3.4 网络训练细节 6.4 实验结果与分析 6.4.1 图像分割性能评价指标 6.4.2 实验环境 6.4.3 实验结果分析和对比 6.4.4 网络模块消融实验与分析 6.5 本章小结 第7章 基于多尺度特征融合U-Net的皮肤病图像分割网络 7.1 编码器—解码器模型结构 7.2 多级特征融合U-Net 7.2.1 通道注意扩张卷积模块 7.2.2 聚合交互模块 7.2.3 子像素卷积层 7.3 损失函数的设计 7.3.1 损失函数的作用 7.3.2 基于交叉熵的损失函数 7.3.3 基于相似度度量的损失函数 7.4 实验数据集和预处理 7.4.1 实验数据集 7.4.2 数据预处理 7.4.3 网络训练细节 7.5 实验结果分析 7.5.1 分割性能评价指标 7.5.2 与现有分割网络性能对比 7.5.3 网络模块消融实验对比