本書主要針對(duì)腫瘤細(xì)胞圖像識(shí)別展開論述,介紹了作者多年研究腫瘤細(xì)胞圖像識(shí)別工作的豐富研究成果,論述了圖像識(shí)別目前相關(guān)的熱門理論,對(duì)神經(jīng)網(wǎng)絡(luò)、量子神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)理論都有較詳細(xì)的介紹,并且介紹了作者將其應(yīng)用于腫瘤細(xì)胞圖像識(shí)別的相關(guān)算法。書中詳細(xì)論述了作者多年研究的各類腫瘤細(xì)胞識(shí)別模型的架構(gòu)和算法,并且介紹了具體實(shí)驗(yàn)過程,驗(yàn)證各識(shí)別模型的識(shí)別率,最后全面介紹了作者的腫瘤細(xì)胞識(shí)別研究應(yīng)用成果結(jié)晶——腫瘤診斷病理分析軟件。全書共分9章,主要內(nèi)容包括腫瘤細(xì)胞圖像識(shí)別概論、常用圖像預(yù)處理方法、常用圖像特征提取方法、基于腫瘤細(xì)胞特征提取方法、圖像分類常用方法、基于腫瘤細(xì)胞圖像的識(shí)別方法及腫瘤診斷病理分析軟件等內(nèi)容。
第1章 細(xì)胞圖像識(shí)別概論
1.1 細(xì)胞圖像識(shí)別的背景
1.2 細(xì)胞圖像識(shí)別的研究現(xiàn)狀
1.2.1 國外研究現(xiàn)狀
1.2.2 國內(nèi)研究現(xiàn)狀
1.3 細(xì)胞圖像及其特點(diǎn)
1.3.1 原始細(xì)胞圖像
1.3.2 細(xì)胞圖像的特點(diǎn)
1.3.3 灰度化細(xì)胞圖像
第2章 圖像常用預(yù)處理方法
2.1 圖像預(yù)處理
2.2 圖像灰度化
2.2.1 圖像的灰度化
2.2.2 圖像的灰度修正
2.3 圖像增強(qiáng)
2.3.1 頻域圖像增強(qiáng)方法
2.3.2 圖像的灰度變換
2.3.3 直方圖處理
2.3.4 圖像的空間域平滑
2.3.5 圖像的銳化
第3章 圖像常用特征提取方法
3.1 圖像特征及常用提取方法概述
3.1.1 圖像特征概述
3.1.2 圖像常用特征
3.1.3 圖像常用特征提取方法
3.2 主成分分析方法
3.2.1 PCA概述
3.2.2 總體主成分的計(jì)算與選取
3.2.3 PCA方法基本流程
3.3 流形學(xué)習(xí)方法
3.3.1 流形學(xué)習(xí)概述
3.3.2 流形學(xué)習(xí)的代表方法
3.3.3 LLE算法原理
3.4 稀疏編碼方法
3.4.1 稀疏編碼概述
3.4.2 自然圖像的稀疏性與稀疏編碼模型
3.4.3 稀疏編碼模型的統(tǒng)計(jì)學(xué)原理
3.4.4 稀疏編碼方法原理
3.5 壓縮感知方法
3.5.1 壓縮感知概述
3.5.2 信號(hào)的采樣過程
3.5.3 CS數(shù)學(xué)模型
3.5.4 基于CS的特征提取算法原理
第4章 圖像常用識(shí)別方法
4.1 基于線性判別分析的分類識(shí)別方法
4.1.1 LDA概述
4.1.2 LDA方法原理
4.1.3 LDA方法的局限性及解決方法
4.2 基于支持向量機(jī)的分類識(shí)別方法
4.2.1 SVM概述
4.2.2 SVM方法原理
4.2.3 SVM核函數(shù)及多分類方法
4.3 基于決策樹的分類識(shí)別方法
4.3.1 決策樹分類方法概述
4.3.2 決策樹分類的步驟
4.3.3 C4.5 決策樹算法
4.4 基于貝葉斯的分類識(shí)別方法
4.4.1 貝葉斯分類概述
4.4.2 樸素貝葉斯分類方法
4.5 基于神經(jīng)網(wǎng)絡(luò)的分類識(shí)別方法
4.5.1 神經(jīng)網(wǎng)絡(luò)概述
4.5.2 神經(jīng)網(wǎng)絡(luò)分類原理
4.5.3 SOFM分類方法
第5章 細(xì)胞圖像的常用識(shí)別方法
5.1 基于改進(jìn)的PCA+LDA的細(xì)胞圖像識(shí)別
5.1.1 傳統(tǒng)PCA+LDA變換流程與實(shí)現(xiàn)
5.1.2 泛化問題的產(chǎn)生和解決
5.1.3 基于改進(jìn)PCA+LDA的識(shí)別算法
5.1.4 實(shí)驗(yàn)與結(jié)論
5.2 基于雙向2DPCA+SVM的細(xì)胞圖像識(shí)別
5.2.1 2DPCA方法
5.2.2 雙向2DPCA特征提取算法原理
5.2.3 基于2DPCA+SVM的識(shí)別算法
5.2.4 實(shí)驗(yàn)與結(jié)論
5.3 基于LLE+LS SVM的細(xì)胞圖像識(shí)別
5.3.1 LLE和LS SVM算法原理
5.3.2 基于LLE+LS SVM的識(shí)別算法
5.3.3 實(shí)驗(yàn)與結(jié)論
5.4 基于SAM-CS+SOFM的細(xì)胞圖像識(shí)別
5.4.1 自適應(yīng)觀測(cè)矩陣的壓縮感知算法
5.4.2 基于SAM-CS+SOFM的識(shí)別算法
5.4.3 實(shí)驗(yàn)與結(jié)論
第6章 基于字典學(xué)習(xí)的RRC細(xì)胞圖像識(shí)別
6.1 稀疏表示分類原理
6.2 稀疏表示模型用于圖像識(shí)別需要考慮的問題
6.3 FDDL與正則化魯棒稀疏表示模型
6.3.1 FDDL
6.3.2 RRC模型
6.4 基于字典學(xué)習(xí)的RRC細(xì)胞圖像識(shí)別
6.4.1 算法設(shè)計(jì)
6.4.2 算法實(shí)現(xiàn)
6.5 實(shí)驗(yàn)與結(jié)論
6.5.1 灰度化系數(shù)選擇
6.5.2 參數(shù)t值的確定
6.5.3 兩種分類模型的比較
6.5.4 不同稀疏表示分類方法的比較
6.5.5 不同識(shí)別方法的比較
6.5.6 結(jié)論
第7章 基于QSOFM的細(xì)胞圖像識(shí)別
7.1 OSOFM概述
7.1.1 ANN和QNN的比較
7.1.2 量子神經(jīng)元模型
7.1.3 QSOFM模型
7.1.4 QS