肺结节检测对肺癌的预防、早期筛查及早期诊断尤为重要，基于肺癌影像上的肺结节检测分析是预防肺癌的有效途径。随着LDCT技术的普及以及人们对自身健康的重视，胸部CT图像数据呈现爆炸式增长，极大地加重了放射科医生的工作负担，同时也增加了病情判断的难度。本书进行了肺结节检测的自动化研究，全面总结深度学习在肺结节检测当中的最新研究成果，提出了多种有效的创新性的深度学习网络框架和检测思路。
本书适合从事医学图像处理，尤其是基于深度学习的肺结节检测方面研究的学者和科研人员、医学工作者阅读。

第1章 肺结节检测与深度学习
1.1 肺结节检测的背景与发展现状
1.2 CAD系统研究现状
1.2.1 肺实质分割算法研究
1.2.2 肺结节检测算法研究
1.3 深度卷积神经网络
1.3.1 深度卷积神经网络的发展
1.3.2 卷积神经网络的结构
参考文献
第2章 肺结节检测原理与技术
2.1 医学影像知识
2.1.1 计算机断层扫描技术
2.1.2 肺结节的医学影像特征
2.2 肺结节检测评价指标
2.2.1 真/假阳性率
2.2.2 竞争性能指标
2.2.3 自由响应操作特性曲线
2.3 深度学习方法与传统检测方法的优劣势
2.4 现有检测技术介绍
2.4.1 多流框架学习
2.4.2 迁移学习
2.4.3 无/半/自监督学习
2.4.4 多任务学习
2.5 常用数据集
参考文献
第3章 基于目标检测的U-Net构建与肺结节候选检测
3.1 肺实质分割
3.1.1 图像预处理
3.1.2 肺实质初定位
3.1.3 肺实质轮廓修补
3.1.4 灰度值归一化
3.2 数据预处理与增强
3.2.1 图像裁剪
3.2.2 数据增强
3.3 R2U-Net网络构建
3.3.1 U-Net框架修正
3.3.2 ResNet残差单元
3.3.3 RPN网络的anchor机制
3.3.4 R2U-Net网络
3.4 模型性能优化
3.4.1 损失优化
3.4.2 难分类样本挖掘
3.4.3 非极大值抑制
3.4.4 K-折交叉验证
3.5 实验设置与结果分析
3.5.1 实验设置
3.5.2 结果分析
参考文献
第4章 基于多流多尺度融合的U-Net构建与肺结节候选检测
4.1 R2 U-Net网络框架优化
4.1.1 多尺度输入融合算法
4.1.2 多流输出融合算法
4.1.3 非线性卷积模块
4.1.4 MS2 U-Net网络介绍
4.2 非极大值抑制改进算法
4.3 实验结果与分析
4.3.1 实验设置
4.3.2 结果分析
参考文献
第5章 注意力机制与特征金字塔与肺结节候选检测
5.1 基于通道-空间注意力机制的网络设计
5.1.1 U-Net网络结构
5.1.2 U-SENet网络构建
5.2 U-SENet网络应用于候选肺结节检测
5.2.1 数据增强
5.2.2 优化损失函数
5.2.3 通道-空间注意力机制介绍
5.2.4 权重初始化
5.3 特征金字塔网络结构
5.4 特征金字塔网络应用于目标检测
5.5 多尺度3D特征金字塔网络及肺结节检测
5.6 实验结果与分析
5.6.1 U-SENet实验结果与分析
5.6.2 MFDM实验结果与分析
参考文献
第6章 3D全卷积网络设计与肺结节精检测
6.13 D全卷积网络
6.1.1 C3D网络
6.1.2 FC-C3D网络
6.2 模型性能分析与改进
6.2.1 测试数据
6.2.2 损失函数优化
6.2.3 模型融合
6.2.4 模型训练
6.3 实验结果分析
6.3.13 种实验方法对比
6.3.2 融合方法对比
6.3.3 与其他方法对比
参考文献
第7章 多模型融合应用于肺结节精检测
7.1 多模型肺结节检测融合
7.1.1 Conv3DNet
7.1.2 Inception3DNet
7.1.3 RD3DNet
7.1.4 损失函数优化
7.1.5 模型融合
7.2 肺结节精检测实验与分析
7.2.1 正负样本平衡
7.2.2 训练过程
7.2.3 实验结果对比与分析
参考文献
第8章 肺结节CAD检测系统设计
8.1 需求分析
8.2 结构及功能设计
8.3 功能性测试
8.3.1 登录功能测试
8.3.2 读取文件功能与查看原图功能测试
8.3.3 肺部分割显示功能测试
8.3.4 结节检测显示功能测试
8.3.5 结果显示功能测试
8.3.6 诊断意见输入功能