目錄
序一
PREFACE　1
序二
PREFACE　2
序三
PREFACE　3
前言
第1章　緒論　1
1.1　醫(yī)學影像的背景　1
1.2　影像組學的概念　3
1.3　影像組學的價值　4
1.4　影像組學分析方法概述　5
1.4.1　醫(yī)學影像采集　6
1.4.2　腫瘤區(qū)域分割　7
1.4.3　腫瘤影像表型　7
1.4.4　腫瘤臨床預測　9
1.4.5　人工智能新技術　10
1.5　影像組學的臨床應用前景　11
參考文獻　11
第2章　影像組學的關鍵技術及軟件平臺　14
2.1　腫瘤檢測　14
2.1.1　數(shù)據(jù)預處理　14
2.1.2　候選結節(jié)檢測　15
2.2　圖像配準　17
2.2.1　基于空間區(qū)域加權的相關比測度的彈性配準　17
2.2.2　基于無監(jiān)督網絡的腦磁共振圖像形變配準　21
2.2.3　基于無監(jiān)督對抗相似度判別網絡的圖像形變配準　24
2.3　腫瘤圖像分割　28
2.3.1　基于卷積神經網絡的腦腫瘤分割　28
2.3.2　基于MV-CNN的肺結節(jié)分割算法　29
2.3.3　基于中心池化卷積神經網絡的肺結節(jié)分割　33
2.3.4　基于全卷積網絡的腫瘤分割方法　40
2.4　基于知識的醫(yī)學圖像分割方法　41
2.4.1　融入先驗信息的深度學習模型　41
2.4.2　基于活動輪廓線模型的醫(yī)學圖像分割方法　43
2.4.3　融入解剖學和成像知識的圖像分割與Bias校正的數(shù)學模型　45
2.5　醫(yī)學數(shù)據(jù)可視化　46
2.5.1　多模態(tài)醫(yī)學圖像可視化　48
2.5.2　可視化工具包　51
2.6　特征提取　52
2.6.1　人工設計的特征　52
2.6.2　深度學習特征　53
2.7　特征選擇與降維　54
2.7.1　傳統(tǒng)線性降維　55
2.7.2　基于特征選擇的降維方法　56
2.7.3　基于模型與正則化的特征選擇　57
2.8　模型構建　62
2.8.1　線性回歸模型　63
2.8.2　線性分類模型　66
2.8.3　樹模型　69
2.8.4　自適應提升模型　70
2.8.5　模型選擇　72
2.8.6　卷積神經網絡　73
2.8.7　遷移學習　77
2.8.8　半監(jiān)督學習　80
2.9　影像組學質量評估體系　84
2.10　影像組學軟件平臺　86
2.10.1　Radlomlcs 軟件　86
2.10.2　Pyradlomlcs影像組學算法庫　87
參考文獻　96
第3章　影像組學在輔助診斷中的應用　101
3.1　影像組學在腫瘤鑒別診斷與分期中的應用　103
3.1.1　腫瘤良惡性鑒別　103
3.1.2　腫瘤淋巴結轉移預測　110
3.1.3　腫瘤遠處轉移預測　129
3.1.4　腫瘤其他分期診斷　139
3.2　影像組學在腫瘤分子分型中的應用　146
3.2.1　腫瘤病理亞型預測　146
3.2.2　腫瘤分子分型預測　158
3.3　影像組學在其他疾病診斷中的應用　175
3.3.1　肝纖維化分期診斷　175
3.3.2　冠狀動脈斑塊診斷　181
3.3.3　胎兒21-三體綜合征診斷　185
3.3.4　新冠肺炎診斷　189
參考文獻　200
第4章　影像組學在療效評估和預后預測中的應用　209
4.1　影像組學在腫瘤療效評估中的應用　209
4.1.1　放化療的療效評估　209
4.1.2　靶向治療的療效評估　212
4.1.3　介入治療的療效評估　220
4.1.4　新輔助治療的療效評估　225
4.1.5　治療方案的選擇與療效評估　229
4.2　影像組學在腫瘤預后預測中的應用　242
4.2.1　腫瘤復發(fā)的預測　243
4.2.2　腫瘤生存期預測　254
參考文獻　262
第5章　總結和展望　272
5.1　總結　272
5.2　展望　273
5.2.1　影像組學的臨床應用前景　274
5.2.2　制訂研究規(guī)范　275
5.2.3　醫(yī)學大數(shù)據(jù)基礎　275
5.2.4　病灶分割算法　276
5.2.5　實驗的可重復性　276
5.3　結語　277
參考文獻　277