本書對顯微圖像處理領域中細胞檢測計數(shù)與三維重建方法進了研究與總結，介紹了暗視野高密度細胞、明亮視野昆蟲細胞的檢測與計數(shù)以及神經(jīng)元細胞三維重建的探索性研究工作。本書后半部分針對深度學習技術檢測乳腺癌淋巴結轉(zhuǎn)移這一應用上面展開相關介紹，給臨床醫(yī)學領域、醫(yī)學圖像處理與分析領域以及顯微圖像分析領域提供理論與技術方面的支持。
書中分別對顯微圖像分析領域中的二維細胞計數(shù)、三維的神經(jīng)細胞解剖結構重建方法和多尺度病理全掃描切片中目標檢測、癌癥區(qū)域分析以及細胞水平診斷進行介紹，實驗與實際應用的結果證明了提出的方法可以應用于高密度細胞、明亮視野細胞與神經(jīng)元細胞的圖像分析處理、多尺度乳腺癌病理切片分析中來獲取研究所需要的細胞水平與組織水平的相關信息。
本書適用于從事顯微圖像處理研究的科研人員、學生以及相關行業(yè)從業(yè)者。
顯微圖像處理與分析是利用計算機圖形、圖像處理技術，針對多尺度、多模態(tài)、高通量和高信息量顯微圖像數(shù)據(jù)所進行的一系列定性檢測與定量分析過程，作為一種非常重要的分析方法，在生命科學以及臨床醫(yī)學中有著非常廣泛的應用。本書基于目前先進的計算機視覺方法，從顯微圖像中基礎的細胞檢測方法入手，進而對多來源的顯微圖像處理與分析方法進行詳細闡述，為這一研究方向提供可行的方法論，同時在現(xiàn)有研究成果基礎上，對未來可能的發(fā)展方向進行了前瞻性的介紹。
前言
第1章 緒論
1.1 背景及意義
1.1.1 研究背景
1.1.2 研究意義
1.2 細胞檢測計數(shù)研究現(xiàn)狀
1.2.1 研究現(xiàn)狀
1.2.2 常用顯微鏡
l.2.3 細胞檢測一般工作流程
1.3 神經(jīng)元細胞檢測與解剖結構重建研究現(xiàn)狀
1.3.1 神經(jīng)元細胞重建發(fā)展簡史
1.3.2 神經(jīng)元細胞重建研究現(xiàn)狀
l.3.3 神經(jīng)元細胞重建流程
1.4 收斂指數(shù)家族研究現(xiàn)狀
1.4.1 收斂指數(shù)理論簡述
l.4.2 收斂指數(shù)濾波家族成員
1.5 病理自動診斷研究現(xiàn)狀
1.6 基于病變區(qū)域圖像特征的數(shù)據(jù)擴增與虛擬病例
1.7 病理圖像細胞檢測和計數(shù)方法
1.8 病理圖像切片檢測與分割方法
1.9 camlyon乳腺癌淋巴轉(zhuǎn)移病理數(shù)據(jù)集
1.9.1 病理圖像來源
1.9.2 病理圖像特點
1.10 病理圖像全切片類型
1.10.1 區(qū)域類型
1.10.2 全掃描切片分型
第2章 基于滑動帶濾波的高密度細胞檢測與計數(shù)
2.1 引言
2.2 DNA染料與視網(wǎng)膜感光細胞
2.2.1 DNA染料
2.2.2 視網(wǎng)膜感光細胞
2.3 高密度細胞及其計數(shù)
2.4 細胞數(shù)據(jù)
2.4.1 數(shù)據(jù)來源
2.4.2 圖像數(shù)據(jù)采集方式
2.4.3 細胞圖像特點
2.5 基于滑動帶濾波的高密度細胞檢測方法
2.5.1 滑動帶濾波器
2.5.2 細胞檢測算法
2.5.3 細胞檢測性能評估方法
2.6 實驗結果與分析
2.6.1 參數(shù)設計與選擇
2.6.2 細胞檢測實驗結果分析
2.6.3 同類方法比較結果
第3章 基于修飾滑動帶濾波的明亮視野昆蟲細胞檢測與計數(shù)
3.1 引言
3.2 細胞數(shù)據(jù)來源、制備與獲取
3.2.1 桿狀病毒表達體系
3.2.2 基于血球計數(shù)板的細胞計數(shù)
3.2.3 昆蟲細胞培養(yǎng)
3.2.4 昆蟲細胞圖像數(shù)據(jù)采集
3.3 基于修飾滑動帶濾波的細胞檢測方法
3.3.1 流程及評估方法
3.3.2 明暗視野下細胞圖像比較
3.3.3 基于修飾滑動帶濾波的明亮視野細胞計數(shù)算
3.4 實驗結果寫分析
321參數(shù)設計與選擇
3.4.2 細胞檢測結果分析與同類方法比較
第4章 神經(jīng)元細胞三維圖像預處理與種子點檢測
4.1 引言
4.2 數(shù)據(jù)集預處理
4.2.1 數(shù)據(jù)集
4.2.2 管狀濾波器(Vesselness)增強
4.2.3 三維梯度向量流
4.3 基于滑動體濾波的神經(jīng)元細胞種子點檢測方法
4.3.1 空間收斂指數(shù)
4.3.2 滑動體濾波器
4.3.3 種子點篩選
4.4 實驗結果與分析
4.4.1 圖像可視化及預處理結果
4.4.2 種子點篩選結果比較與分析
第5章 基于骨架的神經(jīng)元細胞解剖結構重建
5.1 引言
5.2 活動輪廓模型概述
5.2.1 2D活動輪廓模型
5.2.2 2D GVF Snake模型
5.2.3 3D可變曲面模型
5.2.4 開放曲線模型
5.3 SVF外力場開放曲線模型與神經(jīng)元細胞骨架重建
5.3.1 模型設計
5.3.2 重建算法描述
5.4 基于2D滑動帶的神經(jīng)元細胞半徑邊緣估計
5.4.1 傳統(tǒng)神經(jīng)元半徑估計方法
5.4.2 基于2D滑動帶的神經(jīng)元半徑估計方法
5.5 基于輪廓線的神經(jīng)元細胞表面重建
5.5.1 輪廓線表示
5.5.2 神經(jīng)元細胞表面生成與平滑
5.6 實驗結果與分析
5.6.1 參數(shù)選擇
5.6.2 實驗結果分析
第6章 多尺度癌癥區(qū)域識別
6.1 基于閾值分割的高尺度組織區(qū)域提取
6.1.1 色彩空間轉(zhuǎn)換
6.1 _2分割算法
6.1.3 實驗結果與分析
6.2 基于目標檢測網(wǎng)絡的中尺度癌癥區(qū)域檢測
6.2.1 目標檢測網(wǎng)絡結構
6.2.2 數(shù)據(jù)準備及參數(shù)設置
6.2.3 實驗結果與分析
6.3 基于圖像分類網(wǎng)絡的低尺度癌細胞切片分類
6.3.1 分類網(wǎng)絡結構
6.3.2 數(shù)據(jù)準備及參數(shù)設置
6.3.3 實驗結果與分析
第7章 多尺度雙水平腫瘤區(qū)域檢測
7.1 引言
7.2 數(shù)據(jù)集的選擇與預處理
7.3 切片水平的多尺度病變區(qū)域檢測與網(wǎng)絡設計
7.4 組織水平癌癥區(qū)域檢測
7.5 細胞水平的癌細胞檢測及病變區(qū)域劃分
7.6 細胞水平檢測方法評估及結果
第8章 基于深度卷積生成對抗網(wǎng)絡的虛擬病例庫構建
8.1 構建方法與步驟
8.1.1 生成氈抗網(wǎng)絡
8.1.2 深度卷積生成對抗網(wǎng)絡
8.1.3 構建虛擬病例庫
8.2 采樣方式與參數(shù)說明
8.2.1 采樣方式
8.2.2 參數(shù)說明
8.3 實驗過程
8.3.1 參數(shù)設置
8.3.2 中間結果
8.3.3 時間效率
8.4 生成結果與分析
8.4.1 各區(qū)域類型生成結果
8.4.2 不同切片邊長生成結果
參考文獻
書單推薦
