本書(shū)系統(tǒng)介紹了人工智能在病理診斷領(lǐng)域應(yīng)用的基本問(wèn)題及其相關(guān)處理技術(shù)，主要內(nèi)容涉及人工智能與病理診斷的理論、算法和典型應(yīng)用實(shí)例。本書(shū)共10章，包括人工智能概述、深度學(xué)習(xí)、病理診斷分析、細(xì)胞病理診斷、基于強(qiáng)特征CNN-SVM的宮頸癌細(xì)胞檢測(cè)、基于改進(jìn)SSD網(wǎng)絡(luò)的宮頸細(xì)胞分類(lèi)檢測(cè)系統(tǒng)、基于改進(jìn)ResNet的宮頸癌細(xì)胞識(shí)別、基于YOLO網(wǎng)絡(luò)的宮頸異常細(xì)胞檢測(cè)與識(shí)別方法研究、宮頸細(xì)胞定量分析系統(tǒng)關(guān)鍵技術(shù)研究和基于改進(jìn)DSOD網(wǎng)絡(luò)的乳腺鉬靶圖像腫塊分類(lèi)方法研究等內(nèi)容。
本書(shū)由淺入深，通過(guò)人工智能相關(guān)技術(shù)的應(yīng)用實(shí)例對(duì)該技術(shù)在病理診斷領(lǐng)域的應(yīng)用進(jìn)行了具體生動(dòng)的介紹，可作為從事相關(guān)領(lǐng)域的病理醫(yī)生、教師和學(xué)生等研究人員的參考用書(shū)。
人工智能與病理診斷是目前計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)熱門(mén)交叉研究方向。隨著神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的飛速發(fā)展，病理診斷方法正朝著智能化、自動(dòng)化的方向不斷發(fā)展。計(jì)算機(jī)視覺(jué)研究者和病理診斷醫(yī)生共同提出了一種全新的基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的病理診斷方法，利用深度學(xué)習(xí)和模式識(shí)別的方法，對(duì)原有的醫(yī)學(xué)圖像進(jìn)行分析和處理，從而實(shí)現(xiàn)對(duì)宮頸癌、乳腺癌等疾病的檢測(cè)。
本書(shū)敘述了人工智能、深度學(xué)習(xí)、病理診斷的基本理論和相關(guān)的技術(shù)應(yīng)用，主要包括基于模式識(shí)別、深度學(xué)習(xí)的宮頸癌檢測(cè)及其應(yīng)用、基于深度學(xué)習(xí)的乳腺腫塊檢測(cè)及其應(yīng)用等。本書(shū)通過(guò)引入人工智能與深度學(xué)習(xí)的方法，介紹病理診斷的醫(yī)學(xué)基礎(chǔ)知識(shí)，并對(duì)常規(guī)的概念進(jìn)行有效的總結(jié)。同時(shí)，通過(guò)實(shí)例分析，將基本理論與實(shí)際應(yīng)用相結(jié)合，推動(dòng)人工智能技術(shù)在病理診斷領(lǐng)域的發(fā)展。
本書(shū)是作者所在的課題組多年來(lái)在人工智能應(yīng)用于病理診斷領(lǐng)域所做研究工作的總結(jié)。內(nèi)容及材料主要來(lái)源于所主持項(xiàng)目在研究過(guò)程中采集的實(shí)驗(yàn)數(shù)據(jù)、提出的新方法、已公開(kāi)發(fā)表的文獻(xiàn)等。本書(shū)內(nèi)容不僅涉及人工智能的關(guān)鍵技術(shù)和最新動(dòng)向，而且還引入大量的應(yīng)用實(shí)例，既具有前沿性與先進(jìn)性，又具有很好的實(shí)用性，對(duì)本領(lǐng)域研究人員和科技工作人員均有很大的參考價(jià)值。
郟東耀
2022年10月
郟東耀，博士生導(dǎo)師，北京交通大學(xué)教授，工業(yè)大數(shù)據(jù)研究院院長(zhǎng)，大數(shù)據(jù)與智慧測(cè)控研究中心主任。主要科研方向?yàn)樾滦蜋z測(cè)技術(shù)及數(shù)據(jù)處理、智能視覺(jué)檢測(cè)技術(shù)、深度學(xué)習(xí)新理論及其應(yīng)用，發(fā)表學(xué)術(shù)論文80余篇。曾主持或參與國(guó)家863計(jì)劃重大項(xiàng)目、國(guó)家自然科學(xué)基金重大項(xiàng)目、國(guó)家科技支撐計(jì)劃項(xiàng)目等。
1 人工智能概述 1
1.1 人工智能的定義 1
1.2 強(qiáng)人工智能、弱人工智能和超人工智能 2
1.3 人工智能的研究方法 3
1.4 人工智能的基本應(yīng)用 8
2 深度學(xué)習(xí) 12
2.1 深度學(xué)習(xí)簡(jiǎn)介 12
2.2 人工神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí) 13
2.3 典型的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu) 14
2.3.1 LeNet 14
2.3.2 AlexNet 17
2.3.3 VGGNet 19
2.3.4 ResNet 21
2.3.5 DenseNet 22
2.4 深度學(xué)習(xí)的應(yīng)用 24
2.4.1 物體檢測(cè) 24
2.4.2 圖像分割 25
2.4.3 圖像標(biāo)題生成 26
2.4.4 圖像風(fēng)格變換 27
2.4.5 自動(dòng)駕駛 28
3 病理診斷分析 30
3.1 病理學(xué)基礎(chǔ) 30
3.1.1 診斷病理學(xué) 30
3.1.2 診斷病理學(xué)的任務(wù) 31
3.2 病理診斷方法 32
3.2.1 病理診斷設(shè)備 32
3.2.2 病理診斷要點(diǎn) 32
3.2.3 病理材料的存檔 34
3.2.4 臨床與質(zhì)量保證 35
3.3 病理診斷中常見(jiàn)的病理過(guò)程 35
3.3.1 組織和細(xì)胞的適應(yīng)與損傷 35
3.3.2 炎癥 39
3.3.3 腫瘤 40
4 細(xì)胞病理診斷 42
4.1 細(xì)胞學(xué)基礎(chǔ) 42
4.2 細(xì)胞病理學(xué) 43
4.2.1 細(xì)胞病理學(xué)檢查程序 43
4.2.2 細(xì)胞病理學(xué)在腫瘤診斷中的作用 44
4.2.3 細(xì)胞病理學(xué)的應(yīng)用價(jià)值 44
4.2.4 細(xì)胞病理學(xué)診斷的局限性 45
4.2.5 細(xì)胞病理學(xué)報(bào)告 46
4.3 宮頸細(xì)胞病理學(xué) 46
4.3.1 宮頸細(xì)胞病理學(xué)的基本現(xiàn)狀和進(jìn)展 46
4.3.2 宮頸正常細(xì)胞的形態(tài) 47
4.3.3 宮頸細(xì)胞學(xué)分類(lèi)診斷標(biāo)準(zhǔn) 50
4.4 乳腺細(xì)胞病理學(xué) 54
4.4.1 乳腺細(xì)胞病理學(xué)的進(jìn)展 54
4.4.2 乳腺腫塊FNAC檢查 55
4.4.3 乳腺癌的針吸細(xì)胞學(xué) 56
5 基于強(qiáng)特征CNN-SVM的宮頸癌細(xì)胞檢測(cè) 58
5.1 自動(dòng)顯微成像平臺(tái)設(shè)計(jì) 58
5.1.1 設(shè)計(jì)原則與總體框圖 58
5.1.2 光學(xué)顯微鏡及放大倍數(shù)選擇 59
5.1.3 自動(dòng)載物平臺(tái)設(shè)計(jì) 59
5.1.4 自動(dòng)對(duì)焦方法研究 60
5.2 基于改進(jìn)隨機(jī)森林算法的上皮細(xì)胞識(shí)別 65
5.2.1 圖像分割 65
5.2.2 細(xì)胞圖像的特征提取 68
5.2.3 基于人工魚(yú)群算法優(yōu)化的隨機(jī)森林模型 73
5.3 基于強(qiáng)特征CNN-SVM的癌變上皮細(xì)胞識(shí)別 78
5.3.1 數(shù)據(jù)集擴(kuò)增與良性仿射 78
5.3.2 強(qiáng)特征CNN-SVM網(wǎng)絡(luò)模型 80
5.3.3 基于強(qiáng)特征CNN-SVM模型的癌細(xì)胞識(shí)別 84
5.4 實(shí)驗(yàn)與分析 87
5.4.1 自動(dòng)對(duì)焦實(shí)驗(yàn) 88
5.4.2 基于改進(jìn)隨機(jī)森林算法的上皮細(xì)胞識(shí)別實(shí)驗(yàn) 89
5.4.3 基于強(qiáng)特征CNN-SVM的癌變上皮細(xì)胞識(shí)別實(shí)驗(yàn) 93
6 基于改進(jìn)SSD網(wǎng)絡(luò)的宮頸細(xì)胞分類(lèi)檢測(cè)系統(tǒng) 97
6.1 顯微鏡成像自動(dòng)掃描系統(tǒng)設(shè)計(jì) 97
6.1.1 宮頸鱗狀上皮細(xì)胞形態(tài)學(xué)特點(diǎn) 97
6.1.2 顯微鏡成像自動(dòng)掃描系統(tǒng)整體架構(gòu) 98
6.1.3 自動(dòng)對(duì)焦算法 100
6.1.4 圖像平移拼接 103
6.2 基于改進(jìn)SSD網(wǎng)絡(luò)的細(xì)胞分類(lèi)檢測(cè)算法 103
6.2.1 SSD網(wǎng)絡(luò)模型 103
6.2.2 正反向特征融合 108
6.2.3 雙線(xiàn)性匯合特征分析 112
6.3 圖像數(shù)據(jù)處理及模型訓(xùn)練 114
6.3.1 實(shí)驗(yàn)平臺(tái)介紹 114
6.3.2 數(shù)據(jù)處理 115
6.3.3 Loss函數(shù)的定義與改進(jìn) 116
6.3.4 防止過(guò)擬合 118
6.3.5 模型訓(xùn)練 119
6.4 實(shí)驗(yàn)與分析 120
6.4.1 顯微鏡成像自動(dòng)掃描實(shí)驗(yàn) 120
6.4.2 細(xì)胞分類(lèi)檢測(cè)實(shí)驗(yàn) 123
7 基于改進(jìn)ResNet的宮頸癌細(xì)胞識(shí)別 129
7.1 深度學(xué)習(xí)與宮頸癌細(xì)胞 129
7.1.1 深度學(xué)習(xí)概述 129
7.1.2 卷積神經(jīng)網(wǎng)絡(luò) 129
7.1.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法 131
7.1.4 宮頸癌細(xì)胞及識(shí)別數(shù)據(jù)集制作 132
7.2 基于改進(jìn)ResNet-SSD網(wǎng)絡(luò)的宮頸癌細(xì)胞識(shí)別 135
7.2.1 特征提取網(wǎng)絡(luò) 135
7.2.2 基于改進(jìn)SSD算法的宮頸脫落細(xì)胞識(shí)別 141
7.2.3 網(wǎng)絡(luò)模型訓(xùn)練 145
7.3 宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò)的壓縮和加速 145
7.3.1 網(wǎng)絡(luò)壓縮和加速的必要性及可能性 145
7.3.2 網(wǎng)絡(luò)壓縮和加速 146
7.3.3 基于OD-FWSI的宮頸癌細(xì)胞網(wǎng)絡(luò)壓縮和加速 152
7.3.4 全局逐步網(wǎng)絡(luò)剪枝 154
7.3.5 改進(jìn)"老師與學(xué)生"的壓縮和加速網(wǎng)絡(luò)訓(xùn)練方法 155
7.4 實(shí)驗(yàn)與分析 156
7.4.1 特征提取網(wǎng)絡(luò)實(shí)驗(yàn) 156
7.4.2 宮頸癌細(xì)胞識(shí)別實(shí)驗(yàn) 158
7.4.3 宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò)的壓縮和加速實(shí)驗(yàn) 160
8 基于YOLO網(wǎng)絡(luò)的宮頸異常細(xì)胞檢測(cè)與識(shí)別方法研究 164
8.1 宮頸細(xì)胞檢測(cè)和識(shí)別技術(shù)基礎(chǔ) 164
8.1.1 宮頸癌細(xì)胞形態(tài)學(xué)診斷技術(shù)基礎(chǔ) 164
8.1.2 顯微鏡下宮頸細(xì)胞圖像采集系統(tǒng) 165
8.1.3 宮頸細(xì)胞圖像預(yù)處理 169
8.1.4 宮頸細(xì)胞圖像數(shù)據(jù)集構(gòu)建 172
8.2 面向?qū)m頸異常細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn) 174
8.2.1 YOLOv3網(wǎng)絡(luò)概述 174
8.2.2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn) 179
8.3 基于細(xì)胞數(shù)據(jù)集的模型訓(xùn)練方法優(yōu)化 183
8.3.1 目標(biāo)框維度聚類(lèi)分析 183
8.3.2 Loss函數(shù)的定義與改進(jìn) 185
8.3.3 NMS算法優(yōu)化 189
8.3.4 基于細(xì)胞數(shù)據(jù)集優(yōu)化后的模型訓(xùn)練 190
8.4 實(shí)驗(yàn)結(jié)果與分析 191
8.4.1 宮頸癌輔助診斷系統(tǒng) 191
8.4.2 面向?qū)m頸異常細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)實(shí)驗(yàn) 194
8.4.3 基于細(xì)胞數(shù)據(jù)集的模型訓(xùn)練優(yōu)化實(shí)驗(yàn) 199
9 宮頸細(xì)胞定量分析系統(tǒng)關(guān)鍵技術(shù)研究 204
9.1 基于感興趣區(qū)域的ROI聚焦系統(tǒng)設(shè)計(jì) 204
9.1.1 宮頸細(xì)胞DNA涂片與細(xì)胞分類(lèi) 204
9.1.2 顯微鏡聚焦系統(tǒng)整體架構(gòu) 207
9.1.3 基于ROI的顯微鏡聚焦算法 208
9.2 宮頸細(xì)胞涂片分割與檢測(cè)方法研究 217
9.2.1 宮頸細(xì)胞分割方法研究 218
9.2.2 宮頸細(xì)胞特征提取與選擇 226
9.2.3 基于Adaboost-SVM的宮頸細(xì)胞分類(lèi) 232
9.3 宮頸細(xì)胞DNA定量分析 236
9.3.1 生物學(xué)與光學(xué)基礎(chǔ) 236
9.3.2 基于細(xì)胞圖像的DNA定量計(jì)算 238
9.3.3 基于LSTM的宮頸上皮細(xì)胞數(shù)據(jù)分類(lèi) 242
9.4 實(shí)驗(yàn)與分析 245
9.4.1 顯微鏡ROI聚焦實(shí)驗(yàn) 245
9.4.2 細(xì)胞分割實(shí)驗(yàn) 249
9.4.3 特征提取實(shí)驗(yàn) 254
9.4.4 細(xì)胞分類(lèi)實(shí)驗(yàn) 256
9.4.5 宮頸細(xì)胞DNA定量分析實(shí)驗(yàn) 258
10 基于改進(jìn)DSOD網(wǎng)絡(luò)的乳腺鉬靶圖像腫塊分類(lèi)方法研究 263
10.1 乳腺X射線(xiàn)圖像預(yù)處理 263
10.1.1 乳腺鉬靶X射線(xiàn)圖像和病灶特征簡(jiǎn)介 263
10.1.2 乳腺鉬靶X射線(xiàn)圖像數(shù)據(jù)集 264
10.1.3 圖像預(yù)處理 265
10.2 DSOD網(wǎng)絡(luò)的改進(jìn) 270
10.2.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)概述 270
10.2.2 DSOD網(wǎng)絡(luò)模型 270
10.2.3 基于深度可分離卷積的稠密卷積模塊 274
10.2.4 引入基于通道域注意力機(jī)制的SE-Block 277
10.3 改進(jìn)的DSOD網(wǎng)絡(luò)在乳腺腫塊分類(lèi)中的應(yīng)用 279
10.3.1 改進(jìn)的DSOD網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 279
10.3.2 模型訓(xùn)練 284
10.3.3 損失函數(shù)的改進(jìn) 285
10.4 乳腺鉬靶X射線(xiàn)圖像的腫塊分類(lèi)實(shí)驗(yàn)與分析 289
10.4.1 實(shí)驗(yàn)環(huán)境 289
10.4.2 數(shù)據(jù)處理 289
10.4.3 評(píng)價(jià)指標(biāo) 290
10.4.4 實(shí)驗(yàn)結(jié)果與分析 291
參考文獻(xiàn) 296
書(shū)單推薦
