本書系統(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)用實例。本書共10章，包括人工智能概述、深度學(xué)習(xí)、病理診斷分析、細胞病理診斷、基于強特征CNN-SVM的宮頸癌細胞檢測、基于改進SSD網(wǎng)絡(luò)的宮頸細胞分類檢測系統(tǒng)、基于改進ResNet的宮頸癌細胞識別、基于YOLO網(wǎng)絡(luò)的宮頸異常細胞檢測與識別方法研究、宮頸細胞定量分析系統(tǒng)關(guān)鍵技術(shù)研究和基于改進DSOD網(wǎng)絡(luò)的乳腺鉬靶圖像腫塊分類方法研究等內(nèi)容。
本書由淺入深，通過人工智能相關(guān)技術(shù)的應(yīng)用實例對該技術(shù)在病理診斷領(lǐng)域的應(yīng)用進行了具體生動的介紹，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。
人工智能與病理診斷是目前計算機視覺領(lǐng)域的一個熱門交叉研究方向。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、自動化的方向不斷發(fā)展。計算機視覺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)和模式識別的方法，對原有的醫(yī)學(xué)圖像進行分析和處理，從而實現(xiàn)對宮頸癌、乳腺癌等疾病的檢測。
本書敘述了人工智能、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別、深度學(xué)習(xí)的宮頸癌檢測及其應(yīng)用、基于深度學(xué)習(xí)的乳腺腫塊檢測及其應(yīng)用等。本書通過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，并對常規(guī)的概念進行有效的總結(jié)。同時，通過實例分析，將基本理論與實際應(yīng)用相結(jié)合，推動人工智能技術(shù)在病理診斷領(lǐng)域的發(fā)展。
本書是作者所在的課題組多年來在人工智能應(yīng)用于病理診斷領(lǐng)域所做研究工作的總結(jié)。內(nèi)容及材料主要來源于所主持項目在研究過程中采集的實驗數(shù)據(jù)、提出的新方法、已公開發(fā)表的文獻等。本書內(nèi)容不僅涉及人工智能的關(guān)鍵技術(shù)和最新動向，而且還引入大量的應(yīng)用實例，既具有前沿性與先進性，又具有很好的實用性，對本領(lǐng)域研究人員和科技工作人員均有很大的參考價值。
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，大數(shù)據(jù)與智慧測控研究中心主任。主要科研方向為新型檢測技術(shù)及數(shù)據(jù)處理、智能視覺檢測技術(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。曾主持或參與國家863計劃重大項目、國家自然科學(xué)基金重大項目、國家科技支撐計劃項目等。
1 人工智能概述 1
1.1 人工智能的定義 1
1.2 強人工智能、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 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 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 病理診斷中常見的病理過程 35
3.3.1 組織和細胞的適應(yīng)與損傷 35
3.3.2 炎癥 39
3.3.3 腫瘤 40
4 細胞病理診斷 42
4.1 細胞學(xué)基礎(chǔ) 42
4.2 細胞病理學(xué) 43
4.2.1 細胞病理學(xué)檢查程序 43
4.2.2 細胞病理學(xué)在腫瘤診斷中的作用 44
4.2.3 細胞病理學(xué)的應(yīng)用價值 44
4.2.4 細胞病理學(xué)診斷的局限性 45
4.2.5 細胞病理學(xué)報告 46
4.3 宮頸細胞病理學(xué) 46
4.3.1 宮頸細胞病理學(xué)的基本現(xiàn)狀和進展 46
4.3.2 宮頸正常細胞的形態(tài) 47
4.3.3 宮頸細胞學(xué)分類診斷標(biāo)準(zhǔn) 50
4.4 乳腺細胞病理學(xué) 54
4.4.1 乳腺細胞病理學(xué)的進展 54
4.4.2 乳腺腫塊FNAC檢查 55
4.4.3 乳腺癌的針吸細胞學(xué) 56
5 基于強特征CNN-SVM的宮頸癌細胞檢測 58
5.1 自動顯微成像平臺設(shè)計 58
5.1.1 設(shè)計原則與總體框圖 58
5.1.2 光學(xué)顯微鏡及放大倍數(shù)選擇 59
5.1.3 自動載物平臺設(shè)計 59
5.1.4 自動對焦方法研究 60
5.2 基于改進隨機森林算法的上皮細胞識別 65
5.2.1 圖像分割 65
5.2.2 細胞圖像的特征提取 68
5.2.3 基于人工魚群算法優(yōu)化的隨機森林模型 73
5.3 基于強特征CNN-SVM的癌變上皮細胞識別 78
5.3.1 數(shù)據(jù)集擴增與良性仿射 78
5.3.2 強特征CNN-SVM網(wǎng)絡(luò)模型 80
5.3.3 基于強特征CNN-SVM模型的癌細胞識別 84
5.4 實驗與分析 87
5.4.1 自動對焦實驗 88
5.4.2 基于改進隨機森林算法的上皮細胞識別實驗 89
5.4.3 基于強特征CNN-SVM的癌變上皮細胞識別實驗 93
6 基于改進SSD網(wǎng)絡(luò)的宮頸細胞分類檢測系統(tǒng) 97
6.1 顯微鏡成像自動掃描系統(tǒng)設(shè)計 97
6.1.1 宮頸鱗狀上皮細胞形態(tài)學(xué)特點 97
6.1.2 顯微鏡成像自動掃描系統(tǒng)整體架構(gòu) 98
6.1.3 自動對焦算法 100
6.1.4 圖像平移拼接 103
6.2 基于改進SSD網(wǎng)絡(luò)的細胞分類檢測算法 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 實驗平臺介紹 114
6.3.2 數(shù)據(jù)處理 115
6.3.3 Loss函數(shù)的定義與改進 116
6.3.4 防止過擬合 118
6.3.5 模型訓(xùn)練 119
6.4 實驗與分析 120
6.4.1 顯微鏡成像自動掃描實驗 120
6.4.2 細胞分類檢測實驗 123
7 基于改進ResNet的宮頸癌細胞識別 129
7.1 深度學(xué)習(xí)與宮頸癌細胞 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)檢測算法 131
7.1.4 宮頸癌細胞及識別數(shù)據(jù)集制作 132
7.2 基于改進ResNet-SSD網(wǎng)絡(luò)的宮頸癌細胞識別 135
7.2.1 特征提取網(wǎng)絡(luò) 135
7.2.2 基于改進SSD算法的宮頸脫落細胞識別 141
7.2.3 網(wǎng)絡(luò)模型訓(xùn)練 145
7.3 宮頸癌細胞識別網(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"老師與學(xué)生"的壓縮和加速網(wǎng)絡(luò)訓(xùn)練方法 155
7.4 實驗與分析 156
7.4.1 特征提取網(wǎng)絡(luò)實驗 156
7.4.2 宮頸癌細胞識別實驗 158
7.4.3 宮頸癌細胞識別網(wǎng)絡(luò)的壓縮和加速實驗 160
8 基于YOLO網(wǎng)絡(luò)的宮頸異常細胞檢測與識別方法研究 164
8.1 宮頸細胞檢測和識別技術(shù)基礎(chǔ) 164
8.1.1 宮頸癌細胞形態(tài)學(xué)診斷技術(shù)基礎(chǔ) 164
8.1.2 顯微鏡下宮頸細胞圖像采集系統(tǒng) 165
8.1.3 宮頸細胞圖像預(yù)處理 169
8.1.4 宮頸細胞圖像數(shù)據(jù)集構(gòu)建 172
8.2 面向?qū)m頸異常細胞的網(wǎng)絡(luò)結(jié)構(gòu)改進 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 179
8.3 基于細胞數(shù)據(jù)集的模型訓(xùn)練方法優(yōu)化 183
8.3.1 目標(biāo)框維度聚類分析 183
8.3.2 Loss函數(shù)的定義與改進 185
8.3.3 NMS算法優(yōu)化 189
8.3.4 基于細胞數(shù)據(jù)集優(yōu)化后的模型訓(xùn)練 190
8.4 實驗結(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頸異常細胞的網(wǎng)絡(luò)結(jié)構(gòu)改進實驗 194
8.4.3 基于細胞數(shù)據(jù)集的模型訓(xùn)練優(yōu)化實驗 199
9 宮頸細胞定量分析系統(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 204
9.1.1 宮頸細胞DNA涂片與細胞分類 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 宮頸細胞涂片分割與檢測方法研究 217
9.2.1 宮頸細胞分割方法研究 218
9.2.2 宮頸細胞特征提取與選擇 226
9.2.3 基于Adaboost-SVM的宮頸細胞分類 232
9.3 宮頸細胞DNA定量分析 236
9.3.1 生物學(xué)與光學(xué)基礎(chǔ) 236
9.3.2 基于細胞圖像的DNA定量計算 238
9.3.3 基于LSTM的宮頸上皮細胞數(shù)據(jù)分類 242
9.4 實驗與分析 245
9.4.1 顯微鏡ROI聚焦實驗 245
9.4.2 細胞分割實驗 249
9.4.3 特征提取實驗 254
9.4.4 細胞分類實驗 256
9.4.5 宮頸細胞DNA定量分析實驗 258
10 基于改進DSOD網(wǎng)絡(luò)的乳腺鉬靶圖像腫塊分類方法研究 263
10.1 乳腺X射線圖像預(yù)處理 263
10.1.1 乳腺鉬靶X射線圖像和病灶特征簡介 263
10.1.2 乳腺鉬靶X射線圖像數(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 270
10.2.1 基于深度學(xué)習(xí)的目標(biāo)檢測概述 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制的SE-Block 277
10.3 改進的DSOD網(wǎng)絡(luò)在乳腺腫塊分類中的應(yīng)用 279
10.3.1 改進的DSOD網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 279
10.3.2 模型訓(xùn)練 284
10.3.3 損失函數(shù)的改進 285
10.4 乳腺鉬靶X射線圖像的腫塊分類實驗與分析 289
10.4.1 實驗環(huán)境 289
10.4.2 數(shù)據(jù)處理 289
10.4.3 評價指標(biāo) 290
10.4.4 實驗結(jié)果與分析 291
參考文獻 296
書單推薦
