返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • 诺森肺结节检测机器视觉技术何志权9787122400345化学工业出版社
  • 正版
    • 作者: 何志权著 | 何志权编 | 何志权译 | 何志权绘
    • 出版社: 化学工业出版社
    • 出版时间:2021-11-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    诺森文化制品专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: 何志权著| 何志权编| 何志权译| 何志权绘
    • 出版社:化学工业出版社
    • 出版时间:2021-11-01
    • 版次:1
    • 印次:1
    • 字数:213.0
    • 页数:165
    • 开本:16开
    • ISBN:9787122400345
    • 版权提供:化学工业出版社
    • 作者:何志权
    • 著:何志权
    • 装帧:平装
    • 印次:1
    • 定价:68.00
    • ISBN:9787122400345
    • 出版社:化学工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2021-11-01
    • 页数:165
    • 外部编号:11378376
    • 版次:1
    • 成品尺寸:暂无

    章肺结节检测与深度学习001
    1.1肺结节检测的背景与发展现状001
    1.2CAD系统研究现状004
    1.2.1肺实质分割算法研究005
    1.2.2肺结节检测算法研究008
    1.3深度卷积神经网络009
    1.3.1深度卷积神经网络的发展009
    1.3.2卷积神经网络的结构010
    参考文献013

    第2章肺结节检测原理与技术015
    2.1医学影像知识015
    2.1.1计算机断层扫描技术015
    2.1.2肺结节的医学影像特征018
    2.2肺结节检测评价指标020
    2.2.1真/阳率020
    2.2.2竞争能指标022
    2..自由响应操作特曲线022
    .深度学习方法与传统检测方法的优劣势0
    2.4现有检测技术介绍025
    2.4.1多流框架学习025
    2.4.2迁移学习026
    2.4.3无/半/自监督学习027
    2.4.4多任务学习029
    2.5常用数据集030
    参考文献034

    第3章基于目标检测的U-Net构建与肺结节候选检测036
    3.1肺实质分割037
    3.1.1图像预处理037
    3.1.2肺实质初定位039
    3.1.3肺实质轮廓修补039
    3.1.4灰度值归一化042
    3.2数据预处理与043
    3.2.1图像裁剪043
    3.2.2数据044
    3.3R2U-Net网络构建045
    3.3.1U-Net框架修正045
    3.3.2ResNet残差单元047
    3.3.3RPN网络的anchor机制049
    3.3.4R2U-Net网络050
    3.4模型能优化051
    3.4.1损失优化051
    3.4.2难分类样本挖掘052
    3.4.3非极大值抑制053
    3.4.4K-折交叉验054
    3.5实验设置与结果分析056
    3.5.1实验设置056
    3.5.2结果分析056
    参考文献061

    第4章基于多流多尺度融合的U-Net构建与肺结节候选检测063
    4.1R2 U-Net网络框架优化064
    4.1.1多尺度输入融合算法064
    4.1.2多流输出融合算法065
    4.1.3非线卷积模块066
    4.1.4MS2 U-Net网络介绍067
    4.2非极大值抑制改进算法068
    4.3实验结果与分析069
    4.3.1实验设置069
    4.3.2结果分析070
    参考文献080

    第5章注意力机制与特征金字塔与肺结节候选检测082
    5.1基于通道-空间注意力机制的网络设计083
    5.1.1U-Net网络结构 083
    5.1.2U-SENet网络构建085
    5.2U-SENet网络应用于候选肺结节检测086
    5.2.1数据086
    5.2.2优化损失函数087
    5..通道-空间注意力机制介绍088
    5.2.4权重初始化091
    5.3特征金字塔网络结构092
    5.4特征金字塔网络应用于目标检测095
    5.5多尺度3D特征金字塔网络及肺结节检测098
    5.6实验结果与分析100
    5.6.1U-SENet实验结果与分析101
    5.6.2MFDM实验结果与分析102
    参考文献104

    第6章3D卷积络设计与肺结节精检测106
    6.13D卷积络107
    6.1.1C3D网络107
    6.1.2FC-C3D网络111
    6.2模型能分析与改进114
    6.2.1测试数据114
    6.2.2损失函数优化119
    6..模型融合121
    6.2.4模型训练125
    6.3实验结果分析127
    6.3.13种实验方法对比127
    6.3.2融合方法对比128
    6.3.3与方法对比131
    参考文献133

    第7章多模型融合应用于肺结节精检测135
    7.1多模型肺结节检测融合135
    7.1.1Conv3DNet135
    7.1.2Inception3DNet138
    7.1.3RD3DNet140
    7.1.4损失函数优化143
    7.1.5模型融合145
    7.2肺结节精检测实验与分析148
    7.2.1正负样本平衡148
    7.2.2训练过程149
    7..实验结果对比与分析150
    参考文献155

    第8章肺结节CAD检测系统设计156
    8.1需求分析156
    8.2结构及功能设计157
    8.3功能测试159
    8.3.1登录功能测试160
    8.3.2读取文件功能与查看原图功能测试161
    8.3.3肺部分割显示功能测试161
    8.3.4结节检测显示功能测试162
    8.3.5结果显示功能测试164
    8.3.6诊断意见输入功能164

    肺癌是在全世界人口中发病率与死亡率占比高且增长速度快的恶肿瘤疾病之一,它给人类健康带来了极大的威胁。早期筛查中,肺癌在医学影像上的主要病症之一是肺结节,所以肺结节检测分析是预防肺癌的有效途径。
    本书进行了肺结节检测的自动化研究,观察到基于卷积神经网络的方法在目标检测任务中被广泛使用,尤其是深度网络方法可有效地获取医学图像中的多重复杂特征,提高检测精度,为结节检测领域提供了新的方向。

    肺结节检测对肺癌的预防、早期筛查及早期诊断尤为重要,基于肺癌影像上的肺结节检测分析是预防肺癌的有效途径。随着LDCT技术的普及以及人们对自身健康的重视,胸部CT图像数据呈现 式增长,极大地加重了放科医生的工作负担,同时也增加了病情判断的难度。本书进行了肺结节检测的自动化研究,全面总结深度学习在肺结节检测当中的 研究成果,提出了多种有效的创新的深度学习网络框架和检测思路。本书适合从事医学图像处理,尤其是基于深度学习的肺结节检测方面研究的学者和科研人员、医学工作者阅读。

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购