生物醫(yī)學數(shù)字圖像處理技術

目錄
前言
第1章生物細胞圖像處理1
1.1深度學習方法概述1
1.1.1深度學習方法在細胞圖像處理中的新進展1
1.1.2深度學習方法的局限性2
1.2生物醫(yī)學細胞圖像分割的常用方法3
1.3基于PCNN自動波特征的血細胞圖像分割和計數(shù)方法7
1.4基于同步可調點火脈沖耦合神經(jīng)網(wǎng)絡的細胞核分割12
1.4.1同步可調點火的脈沖耦合神經(jīng)網(wǎng)絡12
1.4.2色調提取器13
1.4.3區(qū)域生長單元13
1.4.4實驗結果15
1.5基于距離估計的HE圖像細胞核標定16
1.5.1細胞核的標定方法17
1.5.2實驗結果19
1.6基于乳腺腫瘤細胞形態(tài)特征參數(shù)的乳腺癌診斷研究21
1.6.1基于乳腺腫瘤細胞形態(tài)特征參數(shù)的乳腺癌診斷22
1.6.2乳腺癌細胞特征參數(shù)與乳腺癌診斷之間關系23
1.6.3細胞分形與乳腺癌診斷之間關系24
參考文獻25
第2章乳腺密度測量30
2.1乳腺密度測量方法概述30
2.1.1定性的乳腺密度測量方法30
2.1.2定量的乳腺密度測量方法32
2.2基于乳腺紋理特征的乳腺密度測量方法33
2.2.1乳腺鉬靶X射線圖像的預處理33
2.2.2乳腺鉬靶X射線圖像的密度測量36
2.2.3乳腺鉬靶X射線圖像的密度數(shù)據(jù)分析39
2.2.4結果和討論42
2.3基于SVM的乳腺密度分類方法43
2.3.1乳腺鉬靶X射線影像數(shù)據(jù)集和預處理44
2.3.2乳腺腺體組織的分割46
2.3.3乳腺紋理特征提取50
2.3.4乳腺密度分類53
2.3.5結果和討論55
2.4基于醫(yī)學影像信息管理系統(tǒng)的乳腺影像數(shù)據(jù)集建設59
2.4.1乳腺鉬靶X射線圖像數(shù)據(jù)集59
2.4.2建設乳腺影像數(shù)據(jù)集的必要性分析64
參考文獻69
第3章基于深度學習的乳腺圖像處理74
3.1基于深度學習的醫(yī)學圖像處理簡介74
3.2基于深度學習的乳腺密度測量76
3.2.1深度學習方法簡介76
3.2.2具體的實現(xiàn)方法77
3.3基于深度學習的乳腺圖像異常分類新方法79
3.3.1乳腺圖像分類相關工作79
3.3.2基于深度學習的病變分類方法81
3.3.3基于深度學習的病變分類新方法實驗83
3.4基于深度學習的乳腺腫塊感興趣區(qū)域提取86
3.4.1深度學習目標檢測模型87
3.4.2采用改進的FasterR-CNN提取乳腺腫塊的感興趣區(qū)域88
3.5基于深度學習的乳腺腫塊分割93
3.5.1深度學習語義分割模型介紹94
3.5.2乳腺腫塊分割對比實驗95
參考文獻96
第4章超聲圖像分析處理101
4.1醫(yī)學超聲圖像分析簡介101
4.1.1成像機理與超聲檢查方式101
4.1.2膽囊結石超聲圖像典型特征102
4.1.3膽囊結石圖像分割研究綜述103
4.2基于PCNN和數(shù)學形態(tài)學的膽囊結石超聲圖像全自動分割方法104
4.2.1分割總步驟104
4.2.2結構元素的確定104
4.2.3膽囊結石超聲圖像預處理105
4.2.4膽囊區(qū)域的分割113
4.2.5結石區(qū)域的分割114
4.2.6膽囊區(qū)域的后處理124
4.2.7結石區(qū)域的后處理130
4.2.8膽囊圖像分割實驗討論131
4.3基于PCNN和水平集算法的膽囊結石超聲圖像分割方法140
4.3.1PCNN算法簡介140
4.3.2基于PCNN算法的結石分割方法141
4.3.3基于水平集算法的結石分割方法144
4.4基于PCNN的前列腺超聲圖像病理區(qū)域檢測方法145
參考文獻146
第5章心室分割與三維重構149
5.1感興趣區(qū)域自動提取149
5.2心室分割算法151
5.2.1基于SPCNN的LV內膜分割算法151
5.2.2基于參數(shù)活動輪廓模型的LV外膜分割算法153
5.2.3基于SPCNN與ASM的LV內、外膜分割算法154
5.2.4基于改進水平集的LV內膜分割算法156
5.2.5基于SPCNN與數(shù)學形態(tài)學的RV內、外膜分割算法158
5.3左心室三維重構160
5.3.1三維重構與圖像插值160
5.3.2基于MC算法的左心室三維表面重構在MATLAB上的實現(xiàn)160
5.3.3基于輪廓線插值算法的左心室三維表面重構在OpenGL上的實現(xiàn)161
參考文獻163
第6章高度欠采樣磁共振腦成像重構165
6.1壓縮感知理論與磁共振成像165
6.1.1壓縮感知理論165
6.1.2磁共振成像166
6.2基于非子采樣Shearlet稀疏先驗的高度欠采樣MRI圖像重構168
6.2.1Shearlet變換168
6.2.2離散Shearlet變換的實現(xiàn)170
6.2.3非子采樣Shearlet變換170
6.2.4基于NSST稀疏先驗的高度欠采樣MRI圖像重構方法173
6.3基于擴展的約束型分裂增廣拉格朗日收縮算法的MRI圖像重構177
6.3.1字典學習和基于字典學習的稀疏表示177
6.3.2擴展的約束型分裂增廣拉格朗日收縮算法180
6.4基于UDCT域多尺度字典學習的MRI圖像重構182
6.4.1多尺度字典學習182
6.4.2均勻離散Curvelet變換183
6.4.3基于UDCT域多尺度字典學習雙重稀疏化模型186
6.4.4適應于多尺度字典學習雙重稀疏化模型的PB_CSALSA用于MRI圖像重構190
參考文獻192
第7章心電圖自動分析與心電監(jiān)護系統(tǒng)設計195
7.1基于提升小波變換與時域極值分布特性的ECG自動分析195
7.1.1心電信號基礎知識195
7.1.2ECG特性與預處理研究難點197
7.1.3實驗數(shù)據(jù)集199
7.1.4基于提升小波變換的ECG信號預處理201
7.1.5基于ECG極大值分布特性的QRS波群檢測203
7.2基于MSP430的ECG智能監(jiān)測系統(tǒng)設計209
7.2.1硬件設計210
7.2.2軟件設計213
7.2.3系統(tǒng)測試總結215
7.3基于STM32和FPGA雙處理器架構的ECG監(jiān)護系統(tǒng)設計216
7.3.1基于平穩(wěn)小波變換和形態(tài)學濾波的ECG信號去噪算法217
7.3.2系統(tǒng)硬件設計與實現(xiàn)219
7.3.3系統(tǒng)軟件設計與實現(xiàn)223
7.3.4系統(tǒng)測試總結225
參考文獻227
第8章醫(yī)學圖像的混沌加密230
8.1數(shù)字圖像加密算法概述230
8.1.1數(shù)字圖像加密算法的要求230
8.1.2幾種典型的數(shù)字圖像加密算法231
8.2混沌理論概述232
8.2.1混沌的定義232
8.2.2混沌系統(tǒng)的判斷方法234
8.2.3幾種**的混沌系統(tǒng)237
8.3醫(yī)學圖像的混沌加密算法248
8.3.1混沌加密算法簡介249
8.3.2實驗結果252
參考文獻257