第1章 肺癌诊断的医学背景
1.1 肺癌
1.1.1 肺癌的分类
1.1.2 肺癌的临床分期
1.1.3 肺癌的症状
1.1.4 导致肺癌的因素
1.1.5 预防肺癌
1.2 肺癌诊断与病理学评估
1.2.1 辅助影像学检查方法
1.2.2 肺癌组织学或细胞学检查技术
1.2.3 实验室血清学检查
1.2.4 病理学评估与分子病理学检测
1.3 肺癌的治疗手段
1.4 肺癌智能诊断的意义
1.5 小结
第2章 肺癌诊断的相关医疗数据
2.1 医院信息系统和图像存档与传输系统
2.2 影像学数据
2.3 电子病历数据与患者临床信息
2.4 医疗数据在智能肺癌诊断中的使用
2.5 小结
第3章 人工智能理论基础
3.1 机器学习基础
3.1.1 机器学习分类
3.1.2 机器学习流程概述
3.1.3 机器学习任务关键方法
3.2 深度学习基础——神经网络技术简介
3.2.1 前向传播
3.2.2 激活函数
3.2.3 反向传播
3.2.4 参数初始化与正则化
3.3 深度学习下的计算机视觉
3.3.1 卷积神经网络
3.3.2 目标检测任务
3.3.3 目标分割任务
3.4 小结
第4章 肺癌智能诊断的常用工具与框架
4.1 scikit-learn框架
4.1.1 简介
4.1.2 使用scikit-learn进行机器学习
4.2 TensorFlow框架
4.2.1 TensorFlow中的计算图
4.2.2 TensorFlow中的数据结构
4.2.3 使用TensorFlow搭建神经网络
4.3 PyTorch框架
4.3.1 PyTorch的科学计算
4.3.2 使用PyTorch搭建神经网络
4.4 小结
第5章 肺癌智能诊断流程
5.1 数据预处理
5.1.1 为什么需要数据预处理
5.1.2 常用的数据预处理方法
5.1.3 医疗图像预处理
5.2 医疗图像特征提取
5.2.1 颜色（灰度）特征
5.2.2 形状特征
5.2.3 纹理特征
5.2.4 深度学习中的特征提取
5.3 肺结节检测
5.4 肺结节良恶性诊断
5.5 三维重建与可视化
5.5.1 面绘制技术
5.5.2 体绘制技术
5.6 小结
第6章 肺癌数据预处理与特征提取
6.1 数据预处理
6.1.1 图像预处理
6.1.2 数值数据预处理
6.2 图像特征提取
6.2.1 肺结节的病理表征
6.2.2 人工肺结节图像特征提取
6.2.3 卷积神经网络提取特征
6.3 小结
第7章 肺结节检测
7.1 RCNN系列与Faster RCNN
7.2 改进的Faster RCNN
7.2.1 模型输入与特征提取
7.2.2 区域建议网络
7.2.3 分类与位置回归
7.2.4 Faster RCNN的训练与预测过程
7.3 假阳性结节去除方法
7.4 实验：基于改进Faster RCNN的肺结节检测方法
7.5 小结
第8章 肺结节良恶性诊断
8.1 肺结节良恶性诊断方法概述
8.2 肺结节良恶性诊断模型
8.2.1 三维卷积神经网络
8.2.2 三维卷积神经网络结构
8.2.3 基于多核学习的分类
8.2.4 模型训练流程
8.3 实验：基于异构信息融合的肺结节良恶性分类
8.3.1 数据处理
8.3.2 评估指标
8.3.3 实验与结果
8.4 小结
第9章 肺部三维重建与可视化
9.1 肺部图像的三维重建
9.2 三维重建的方法
9.2.1 面绘制
9.2.2 体绘制
9.3 实验：基于二维CT图像序列的肺部三维模型重建/肺结节分类结果可视化
9.4 小结
第10章 总结与展望
10.1 医学数据获取
10.1.1 数据标准化与数据共享
10.1.2 数据标注
10.2 人工智能技术在肺癌诊断中的应用
10.2.1 模型标准化与业务扩展
10.2.2 人工智能技术的提升
参考文献
展开
