掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
中醫(yī)入門必背歌訣
-
>
醫(yī)驗集要
-
>
尋回中醫(yī)失落的元神2:象之篇
-
>
補遺雷公炮制便覽 (一函2冊)
-
>
人體解剖學常用詞圖解(精裝)
-
>
神醫(yī)華佗(奇方妙治)
-
>
(精)河南古代醫(yī)家經(jīng)驗輯
醫(yī)學圖像分割與校正——基于水平集方法與深度學習 版權(quán)信息
- ISBN：9787030776693
- 條形碼：9787030776693 ; 978-7-03-077669-3
- 裝幀：精裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
醫(yī)學圖像分割與校正——基于水平集方法與深度學習 內(nèi)容簡介
本書從圖像分割與校正模型和水平集方法的基本概念出發(fā)，整理了若干基于水平集和深度學習的醫(yī)學圖像分割與校正模型。全書共11章，包括五部分內(nèi)容：**部分（第1章）介紹醫(yī)學圖像分割與校正的方法，包括醫(yī)學圖像分割與校正背景及意義、國內(nèi)外研究現(xiàn)狀分析和相關(guān)模型和方法。第二部分（第2—4章）詳細討論二區(qū)和多區(qū)圖像分割與校正模型，包括多區(qū)MR圖像分割與校正模型、抗噪聲醫(yī)學圖像分割與校正模型及基函數(shù)表達的人腦MR圖像校正及分割模型。第三部分（第5章）介紹多圖譜融合的三維人腦MRI分割及校正模型，主要針對3D人腦MR圖像的分割及校正。第四部分（第6—8章）介紹帶有約束信息的圖像分割模型，包括結(jié)合先驗約束項的圖像分割模型、帶有強約束項的彩色圖像分割模型和PeRSF模型。第五部分（第9—11章）介紹基于深度學習與水平集方法的醫(yī)學圖像分割模型，包括弱監(jiān)督牙齒分割模型、基于局部方差和邊緣信息的自適應(yīng)分割模型、基于強化主動學習的圖像選擇策略應(yīng)用于分割模型。以上介紹的各種醫(yī)學圖像分割與校正模型，針對不同特性的醫(yī)學圖像，不僅提高了模型分割的準確度，也提高了模型分割的速度以及自適應(yīng)性與魯棒性。
醫(yī)學圖像分割與校正——基于水平集方法與深度學習 目錄
目錄第1章 緒論 1 1.1 醫(yī)學圖像分割與校正背景及意義 1 1.2 國內(nèi)外研究現(xiàn)狀分析 3 1.3 相關(guān)模型與方法 7 1.3.1 MICO 模型 7 1.3.2 CV 模型 8 1.3.3 RSF 模型 8 1.3.4 分裂Bregman方法 11 1.4 本書內(nèi)容簡介 12 第2章 多區(qū) MR 圖像分割與校正模型 15 2.1 前期準備 15 2.1.1 CLIC 模型 15 2.1.2 分裂 Bregman 方法 16 2.2 模型建立 16 2.2.1 建立能量泛函 16 2.2.2 定義隸屬函數(shù) 17 2.2.3 定義加權(quán)長度項 19 2.2.4 偏磁場估計算法 19 2.2.5 分裂Bregman方法極小化能量泛函 19 2.3 數(shù)值實驗 22 2.3.1 數(shù)值實現(xiàn) 22 2.3.2 實驗結(jié)果 22 2.4 本章小結(jié) 29 第3章 抗噪聲醫(yī)學圖像分割與校正模型 30 3.1 引言 30 3.2 模型建立 30 3.2.1 二區(qū)能量泛函與分裂 Bregman 方法求解 31 3.2.2 多區(qū)能量泛函與分裂 Bregman 方法求解 35 3.3 數(shù)值實驗 383.3.1 數(shù)值實現(xiàn) 38 3.3.2 實驗結(jié)果 39 3.4 本章小結(jié) 54 第4章 基函數(shù)表達的人腦MR圖像分割與校正模型 55 4.1 引言 55 4.2 SCMB模型 55 4.3 應(yīng)用分裂Bregman方法求解.58 4.4 針對多區(qū)圖像的SCMB模型 59 4.5 數(shù)值實驗 62 4.5.1 數(shù)值實現(xiàn) 62 4.5.2 實驗結(jié)果 63 4.6 本章小結(jié) 77 第5章 多圖譜融合的三維人腦MR圖像分割與校正模型 79 5.1 引言 79 5.2 多圖譜融合三維分割與校正模型 80 5.3 基于模型構(gòu)建新的能量泛函 82 5.4 應(yīng)用分裂Bregman方法極小化模型 83 5.5 實驗結(jié)果 85 5.6 本章小結(jié) 92 第6章 結(jié)合先驗約束項的圖像分割模型 94 6.1 預(yù)備知識 94 6.2 模型建立 95 6.2.1 先驗約束項 95 6.2.2 構(gòu)造能量泛函 95 6.2.3 分裂Bregman方法極小化能量泛函 96 6.3 數(shù)值實驗 98 6.3.1 數(shù)值實現(xiàn) 98 6.3.2 實驗結(jié)果 99 6.4 本章小結(jié) 104 第7章 帶有強約束項的彩色圖像分割模型 106 7.1 引言 106 7.2 預(yù)備知識 106 7.2.1 RSF 模型 106 7.2.2 多圖譜方法.107 7.3 ERSF 模型 1087.4 分裂Bregman方法快速求解 110 7.5 數(shù)值實驗 112 7.6 本章小結(jié) 115 第8章 并行的帶有強約束項的圖像分割模型 116 8.1 引言 116 8.2 預(yù)備知識 116 8.3 PeRSF模型 117 8.4 數(shù)值實驗 119 8.5 時間復(fù)雜度分析 122 8.6 本章小結(jié) 123 第9章 弱監(jiān)督牙齒分割模型 124 9.1 引言 124 9.2 弱監(jiān)督分割模型的建立 125 9.2.1 牙齒檢測 125 9.2.2 橢圓錨框生成 125 9.2.3 帶約束的活動輪廓模型 126 9.2.4 能量極小化 128 9.2.5 *率分割模型 131 9.2.6 粘連牙齒分離 131 9.2.7 弱監(jiān)督訓(xùn)練.132 9.3 數(shù)值實驗 133 9.4 本章小結(jié) 139 第10章 基于局部方差和邊緣信息的自適應(yīng)分割模型 140 10.1 引言 140 10.2 局部方差分割模型的建立和極小化 141 10.2.1 局部方差能量泛函的建立 142 10.2.2 梯度下降方法極小化局部方差分割模型 144 10.3 局部方差分割模型的雙層能量泛函 146 10.4 實驗與分析 146 10.4.1 不同數(shù)據(jù)集上的分割實驗 146 10.4.2 參數(shù)選擇.158 10.4.3 消融實驗.159 10.5 本章小結(jié) 159 第11章 基于強化主動學習的圖像選擇策略應(yīng)用于分割模型 161 11.1 引言 16111.2 強化主動學習模型的建立 162 11.2.1 主動學習作為MDP 163 11.2.2 構(gòu)建狀態(tài) 165 11.2.3 構(gòu)建動作 165 11.2.4 構(gòu)建獎勵 167 11.2.5 通過DQN學習選擇策略 168 11.3 實驗與分析 170 11.3.1 數(shù)據(jù)集ACDC的分割實驗.171 11.3.2 數(shù)據(jù)集M&Ms的分割實驗 172 11.3.3 消融實驗 174 11.4 本章小結(jié) 176 參考文獻 177
展開全部
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
莉莉和章魚
- >
經(jīng)典常談
- >
月亮與六便士
- >
史學評論
- >
名家?guī)阕x魯迅:朝花夕拾
- >
伊索寓言-世界文學名著典藏-全譯本
- >
姑媽的寶刀
本類暢銷
