人工智能与病理诊断

人工智能与病理诊断是当前热门的研究领域。针对目前病理诊断中人工智能处理方法还存在诸多问题和局限性，本书第一次全面性介绍病理诊断中的人工智能实现方法，是国内本领域第一部专著。本书所提出的人工智能方法用于病理诊断中，重点关注病理诊断中遇到的各种问题，并阐述如何解决这些问题。同时，本书利用改进深度学习，各种前沿的神经网络等最新的研究成果和技术，能够有效提升病理诊断的准确性和效率，显著改善传统病理诊断方法的缺陷和不足。本书由浅入深，生动具体地通过相关技术的实例对人工智能技术在病理诊断领域的应用具体介绍，对于相关领域的研究者、病理医生和学生等具有重要的参考价值和借鉴意义。
本书通过展现人工智能方法在病理诊断领域的诸多实例，有效展示将人工智能与病理诊断结合的成果，具有较高的学术价值。

　郏东耀，博士，北京交通大学副教授，博士生导师。美国IEEE高级会员（SeniorMember），中国自动化学会高级会员，中国电子学会高级会员。2006年毕业于清华大学精密测量技术及仪器国家重点实验室，获清华大学工学博士学位。主要科研方向为新型检测技术及数据处理、智能视觉检测技术、无线传感网新理论、新方法及其应用。国内外相关领域发表论文近70篇，其中SCI、EI检索期刊论文50篇。主持或参与国家863重大专项子课题、国家863重大项目、国家自然科学基金重大项目、国家科技部“科技支撑”项目、地方铁路局、地铁公司、企业合作等多个工程科研项目。

1 人工智能概述
1.1 人工智能的定义
1.2 强人工智能、弱人工智能和超人工智能
1.3 人工智能的研究方法
1.4 人工智能的基本应用
2 深度学习
2.1 深度学习简介
2.2 人工神经网络下的深度学习
2.3 典型的深度学习网络架构
2.3.1 LeNet
2.3.2 AlexNet
2.3.3 VGGNet
2.3.4 ResNet
2.3.5 DenseNet
2.4 深度学习的应用
2.4.1 物体检测
2.4.2 图像分割
2.4.3 图像标题生成
2.4.4 图像风格变换
2.4.5 自动驾驶
3 病理诊断分析
3.1 病理学基础
3.1.1 诊断病理学
3.1.2 诊断病理学的任务
3.2 病理诊断方法
3.2.1 病理诊断设备
3.2.2 病理诊断要点
3.2.3 病理材料的存档
3.2.4 临床与质量保证
3.3 病理诊断中常见的病理过程
3.3.1 组织和细胞的适应与损伤
3.3.2 炎症
3.3.3 肿瘤
4 细胞病理诊断
4.1 细胞学基础
4.2 细胞病理学
4.2.1 细胞病理学检查程序
4.2.2 细胞病理学在肿瘤诊断中的作用
4.2.3 细胞病理学的应用价值
4.2.4 细胞病理学诊断的局限性
4.2.5 细胞病理学报告
4.3 宫颈细胞病理学
4.3.1 宫颈细胞病理学的基本现状和进展
4.3.2 宫颈正常细胞的形态
4.3.3 宫颈细胞学分类诊断标准
4.4 乳腺细胞病理学
4.4.1 乳腺细胞病理学的进展
4.4.2 乳腺肿块FNAC检查
4.4.3 乳腺癌的针吸细胞学
5 基于强特征CNN-SVM的宫颈癌细胞检测
5.1 自动显微成像平台设计
5.1.1 设计原则与总体框图
5.1.2 光学显微镜及放大倍数选择
5.1.3 自动载物平台设计
5.1.4 自动对焦方法研究
5.2 基于改进随机森林算法的上皮细胞识别
5.2.1 图像分割
5.2.2 细胞图像的特征提取
5.2.3 基于人工鱼群算法优化的随机森林模型
5.3 基于强特征CNN-SVM的癌变上皮细胞识别
5.3.1 数据集扩增与良性仿射
5.3.2 强特征CNN-SVM网络模型
5.3.3 基于强特征CNN-SVM模型的癌细胞识别
5.4 实验与分析
5.4.1 自动对焦实验
5.4.2 基于改进随机森林算法的上皮细胞识别实验
5.4.3 基于强特征CNN-SVM的癌变上皮细胞识别实验
6 基于改进SSD网络的宫颈细胞分类检测系统
6.1 显微镜成像自动扫描系统设计
6.1.1 宫颈鳞状上皮细胞形态学特点
6.1.2 显微镜成像自动扫描系统整体架构
6.1.3 自动对焦算法
6.1.4 图像平移拼接
6.2 基于改进SSD网络的细胞分类检测算法
6.2.1 SSD网络模型
6.2.2 正反向特征融合
6.2.3 双线性汇合特征分析
6.3 图像数据处理及模型训练
6.3.1 实验平台介绍
6.3.2 数据处理
6.3.3 Loss函数的定义与改进
6.3.4 防止过拟合
6.3.5 模型训练
6.4 实验与分析
6.4.1 显微镜成像自动扫描实验
6.4.2 细胞分类检测实验
7 基于改进ResNet的宫颈癌细胞识别
7.1 深度学习与宫颈癌细胞
7.1.1 深度学习概述
7.1.2 卷积神经网络
7.1.3 基于深度学习的目标检测算法
7.1.4 宫颈癌细胞及识别数据集制作
7.2 基于改进ResNet-SSD网络的宫颈癌细胞识别
7.2.1 特征提取网络
7.2.2 基于改进SSD算法的宫颈脱落细胞识别
7.2.3 网络模型训练
7.3 宫颈癌细胞识别网络的压缩和加速
7.3.1 网络压缩和加速的必要性及可能性
7.3.2 网络压缩和加速
7.3.3 基于OD-FWSI的宫颈癌细胞网络压缩和加速
7.3.4 全局逐步网络剪枝
7.3.5 改进"老师与学生"的压缩和加速网络训练方法
7.4 实验与分析
7.4.1 特征提取网络实验
7.4.2 宫颈癌细胞识别实验
7.4.3 宫颈癌细胞识别网络的压缩和加速实验
8 基于YOLO网络的宫颈异常细胞检测与识别方法研究
8.1 宫颈细胞检测和识别技术基础
8.1.1 宫颈癌细胞形态学诊断技术基础
8.1.2 显微镜下宫颈细胞图像采集系统
8.1.3 宫颈细胞图像预处理
8.1.4 宫颈细胞图像数据集构建
8.2 面向宫颈异常细胞的网络结构改进
8.2.1 YOLOv3网络概述
8.2.2 YOLOv3网络结构改进
8.3 基于细胞数据集的模型训练方法优化
8.3.1 目标框维度聚类分析
8.3.2 Loss函数的定义与改进
8.3.3 NMS算法优化
8.3.4 基于细胞数据集优化后的模型训练
8.4 实验结果与分析
8.4.1 宫颈癌辅助诊断系统
8.4.2 面向宫颈异常细胞的网络结构改进实验
8.4.3 基于细胞数据集的模型训练优化实验
9 宫颈细胞定量分析系统关键技术研究
9.1 基于感兴趣区域的ROI聚焦系统设计
9.1.1 宫颈细胞DNA涂片与细胞分类
9.1.2 显微镜聚焦系统整体架构
9.1.3 基于ROI的显微镜聚焦算法