目录

第1章基于深度学习的低剂量CT去噪方法研究进展1

1.1LDCT中的噪声与伪影1

1.2基于深度学习的LDCT去噪方法综述3

1.2.1基于CNN的方法4

1.2.2基于编码器—解码器的方法9

1.2.3基于GAN的方法11

1.2.4基于Transformer的方法16

1.3数据集19

1.3.1配对和未配对数据集19

1.3.2模拟数据集和真实数据集20

1.3.3数据增强21

1.4实验与结果讨论21

1.4.1实验参数设置21

1.4.2主观和视觉分析22

1.4.3定量分析25

1.5挑战与未来方向29

1.5.1基于多模态的LDCT去噪网络30

1.5.2双域级联去噪的深度学习框架30

1.5.3解决配对CT图像稀缺性的几种方法31

1.6本章小结31

第2章基于深度学习的肺部CT图像分割方法研究进展33

2.1深度学习与图像分割33

2.2图像采集与预处理34

2.2.1数据集34

2.2.2数据扩充35

2.2.3损失函数36

2.2.4评价指标37

2.3CT图像分割的深度学习模型38

2.3.1基于编码器—解码器的模型38

2.3.2基于注意力的模型40

2.3.3基于Transformer的模型42

2.3.4基于多尺度和金字塔网络的模型43

2.3.5基于扩张卷积的模型44

2.4实验与结果讨论45

2.4.1实验参数设置45

2.4.2主观和视觉分析46

2.4.3定量分析46

2.5挑战与未来趋势47

2.5.1更具挑战性的数据集48

2.5.2应用于CT成像分割的可解释性48

2.5.3缺乏完整的自动化系统48

2.6本章小结48

第3章基于多特征提取的低剂量CT图像去噪方法49

3.1医学CT图像中的噪声49

3.2卷积神经网络中多特征提取方法50

3.2.1多特征提取的残差学习50

3.2.2多特征提取和融合50

3.2.3特征提取卷积神经网络模型51

3.2.4网络训练优化问题53

3.3基于多特征提取的算法实现与实验54

3.3.1图像去噪性能评价指标54

3.3.2实验训练图像数据集55

3.3.3实验训练环境57

3.3.4实验训练阶段57

3.4实验结果分析与对比60

3.4.1实验结果分析60

3.4.2与其他去噪网络对比实验62

3.5本章小结63

第4章基于UNet和多注意力的低剂量CT图像去噪方法65

4.1相关网络模型65

4.1.1UNet网络65

4.1.2注意力机制66

4.2基于UNet网络和多通道多注意力机制的去噪网络68

4.2.1局部注意模块69

4.2.2多特征通道注意模块71

4.2.3层级注意模块72

4.2.4增强学习模块74

4.2.5数据预处理74

4.2.6损失函数76

4.2.7网络训练细节79

4.3实验结果与分析79

4.3.1图像去噪性能评价指标79

4.3.2实验环境79

4.3.3实验结果分析79

4.3.4与其他去噪网络对比实验84

4.3.5注意力模块消融实验与分析85

4.4本章小结88

第5章基于CNN和Transformer的低剂量CT图像去噪方法89

5.1Transformer模型理论基础89

5.1.1Transformer中的自注意机制90

5.1.2掩码自注意力91

5.1.3多头注意力91

5.1.4前馈网络92

5.1.5计算机视觉中的Transformer92

5.2基于CNN和Transformer的低剂量CT图像去噪网络94

5.2.1整体网络架构94

5.2.2基于CNN的编码器95

5.2.3多尺度空间注意模块96

5.2.4双路径Transformer模块97

5.3神经网络训练100

5.3.1实验数据集100

5.3.2网络训练细节102

5.4实验与分析103

5.4.1图像去噪性能评价指标103

5.4.2实验结果分析和对比103

5.4.3消融实验108

5.5本章小结109

第6章基于多层注意机制UNet的肺部CT图像分割网络111

6.1注意力机制111

6.1.1局部空间注意机制111

6.1.2通道空间注意机制112

6.1.3混合注意机制112

6.1.4非局部注意机制113

6.1.5位置注意机制113

6.2多层注意机制UNet114

6.2.1边缘注意模块114

6.2.2形状注意模块116

6.2.3局部注意模块117

6.2.4上下文募集模块117

6.2.5瓶颈模块118

6.3神经网络训练119

6.3.1损失函数的选择与改进119

6.3.2实验数据集121

6.3.3数据预处理122

6.3.4网络训练细节123

6.4实验结果与分析123

6.4.1图像分割性能评价指标123

6.4.2实验环境124

6.4.3实验结果分析和对比124

6.4.4网络模块消融实验与分析126

6.5本章小结132

第7章基于多尺度特征融合UNet的皮肤病图像分割网络133

7.1编码器—解码器模型结构133

7.2多级特征融合UNet134

7.2.1通道注意扩张卷积模块134

7.2.2聚合交互模块136

7.2.3子像素卷积层 137

7.3损失函数的设计139

7.3.1损失函数的作用139

7.3.2基于交叉熵的损失函数139

7.3.3基于相似度度量的损失函数140

7.4实验数据集和预处理141

7.4.1实验数据集 141

7.4.2数据预处理142

7.4.3网络训练细节143

7.5实验结果分析143

7.5.1分割性能评价指标143

7.5.2与现有分割网络性能对比143

7.5.3网络模块消融实验对比145

7.6本章小结147

第8章基于迁移学习和UNet的肺部CT图像分割方法148

8.1相关神经网络模型148

8.1.1深度残差网络 148

8.1.2深度学习模型 149

8.2基于迁移学习和UNet的肺部CT图像分割方法 149

8.2.1迁移学习 149

8.2.2系统架构图151

8.2.3连续扩张卷积模块 152

8.2.4多核池化模块 153

8.2.5并行的双注意力模块 154

8.3神经网络训练156

8.3.1损失函数的选择156

8.3.2实验数据集158

8.3.3网络训练细节161

8.4实验结果与分析163

8.4.1图像分割性能评价指标 163

8.4.2实验结果分析和对比163

8.4.3网络模块消融实验与分析165

8.5本章小结169

第9章基于Transformer和UNet的CT图像分割方法170

9.1相关理论知识170

9.1.1注意力机制170

9.1.2swin Transformer 173

9.2基于Transformer和UNet的肺部CT图像分割方法 176

9.2.1MCSTUNet 176

9.2.2融合CNN和swin Transformer模块 177

9.2.3多重注意力融合模块179

9.3神经网络训练181

9.3.1损失函数 181

9.3.2数据集182

9.3.3迁移学习策略182

9.4实验结果分析183

9.4.1性能评价指标 183

9.4.2实验环境和设置 184

9.4.3实验结果分析185

9.4.4消融实验190

9.5本章小结191

参考文献192