医学图像分析已是当前医学研究、诊断和治疗中必不可少的技术手段。医学图像中含有重要的生理、病理信息等知识，但由于图像中的信息量大、维度高，这些信息在医学图像中表现复杂，所以挖掘难度很大。尽管从二十世纪五六十年代起，学者专家都在尝试用计算机辅助手段从中挖掘有价值的诊断信息，但效果一直不理想，直到近几年，随着机器学习算法陆续取得重要进展，人类步入深度学习时代，医学图像辅助检测与诊断技术才有了较大进步。 本书内容由浅入深，从易到难，各章节既相对独立，又前后关联。既适合对医学图像分析有兴趣的爱好者作为入门读物，以了解本领域背景和基础知识，也能为计算机医学图像分析研究领域的学者带来创新思路。

医学图像分析已是当前医学研究、诊断和治疗中必不可少的技术手段。医学图像中隐含有重要的生理、病理信息等知识，但由于图像中的信息量大、维度高，这些信息在医学图像中表现复杂，所以其挖掘难度很大。尽管从二十世纪五六十年代起，学者专家都在尝试用计算机辅助手段从中挖掘有价值的诊断信息，但效果一直不理想，直到近几年随着机器学习算法陆续取得重要的进展，人类步入深度学习时代，医学图像辅助检测与诊断技术才有了较大的进步。 本书在绪论概述了医学辅助检测与诊断技术的应用现状。第1章以目前发病率较高的肺癌、乳腺癌、结肠癌和前列腺癌为主线，对基于医学图像的计算机辅助检测与诊断分析算法进行多角度的回顾和梳理，对在医学图像辅助分析诊断研究领域中所面临的问题作了分析和展望。第2章介绍了深度学习算法的发展过程及不同时期的代表算法。第3章、第4章、第5章、第6章以基于CT图像的肺结节计算机辅助检测/诊断为例，介绍了几种基于深度学习的医学图像分析用于辅助检测与诊断的范例。 本书内容由浅入深，从易到难，各章节既相对独立，又前后关联，既适合对医学图像分析有兴趣的爱好者作为入门读物，以了解本领域背景和基础知识，也能为计算机医学图像分析研究领域的学者带来创新思路和启发。 作者 2022年8月

基础篇 医学图像计算机辅助检测与诊断、 深度学习算法基础知识 绪论 003 第1章 医学图像计算机辅助检测/诊断（CAD）系统 007 1.1 医学图像CAD系统概述 007 1.2 不同部位医学图像CAD系统分述 009 1.2.1 基于胸部X线片的肺结节CAD系统 009 1.2.2 基于CT图像的肺部CAD系统 011 1.2.3 乳腺医学图像CAD系统 018 1.2.4 结直肠医学图像CAD系统 029 1.2.5 前列腺医学图像CAD系统 034 1.2.6 其他前列腺癌相关医学图像CAD系统 039 1.3 医学图像CAD的性能评估 040 1.3.1 医学图像数据集 040 1.3.2 评估方法 041 1.4 系统所用算法和特征汇总 045 1.5 面临的问题和研究展望 058 1.6 未来展望 060 1.7 结语 062 第2章 深度学习方法 064 2.1 引言 064 2.2 推理期 064 2.3 知识期 065 2.4 学习期 066 2.4.1 BP神经网络 066 2.4.2　浅层机器学习算法 071 2.4.3 深度学习算法 088 2.4.4 全连接网络 095 2.4.5 AlexNet网络 099 2.5 本章小结 113 应用篇 深度学习算法应用于肺结节诊断案例 第3章 肺结节深度学习诊断引论 117 3.1 研究目的和意义 117 3.2 研究目标和内容 120 3.2.1 基于人工免疫优化的征象分类网络融合方法 121 3.2.2 结合半监督协同学习与深度学习的征象模糊分类方法 121 3.2.3 胶囊网络的三元组强化学习及其征象分类方法 121 3.3 实验样本选择 122 3.3.1 样本图像尺寸 122 3.3.2 征象选择 123 第4章 基于人工免疫优化的征象分类网络融合方法 127 4.1 引言 127 4.2 子网络融合的人工免疫优化方法 129 4.2.1 预测亲和度与剩余平均相似度 130 4.2.2 克隆与变异 131 4.3 征象分类方法 134 4.3.1 子网络构成 135 4.3.2 集成决策分类 136 4.4 实验与结果分析 137 4.4.1 实验设置 137 4.4.2 网络训练 138 4.4.3 集成分类器与子分类器性能比较 139 4.4.4 AIA-DNF与其他分类器融合方法比较 141 4.4.5 AIA-DNF方法与其他二分类方法比较 144 4.4.6 多级Inception网络与传统CNN比较 145 4.5 结语 146 第5章 结合半监督协同学习与深度学习的征象模糊分类方法 147 5.1 引言 147 5.2 模糊协同森林 149 5.2.1 特征提取 149 5.2.2 构建协同森林 150 5.2.3 模糊分类 151 5.3 融合生成对抗的半监督协同学习 153 5.3.1 DCGAN 154 5.3.2 半监督协同学习 156 5.4 实验与结果分析 158 5.4.1 实验设置 158 5.4.2 DFF-Co-forest的分类效果 158 5.4.3 模糊分类策略的效果 162 5.4.4 算法性能比较 163 5.5 结语 166 第6章 胶囊网络的三元组强化学习及其征象分类方法 168 6.1 引言 168 6.2 相关工作 169 6.3 TriCaps-RL方法 171 6.3.1 三元胶囊网络 172 6.3.2 两阶段强化学习 175 6.4 实验与结果分析 180 6.4.1 实验设置 180 6.4.2 学习效果 181 6.4.3 TriCaps-RL方法的分类性能 184 6.4.4 TriCaps-RL与DQN性能对比 185 6.4.5 TriCaps-RL与其他二分类方法对比 188 6.5 结语 190 第7章 后记 192 7.1 工作总结 192 7.2 未来展望 194 参考文献 195 附录 231