本书从图像分割与校正模型和水平集方法的基本概念出发，整理了若干基于水平集和深度学习的医学图像分割与校正模型。全书共11章，包括五部分内容：第一部分（第1章）介绍医学图像分割与校正的方法，包括医学图像分割与校正背景及意义、国内外研究现状分析和相关模型和方法。第二部分（第2—4章）详细讨论二区和多区图像分割与校正模型，包括多区MR图像分割与校正模型、抗噪声医学图像分割与校正模型及基函数表达的人脑MR图像校正及分割模型。第三部分（第5章）介绍多图谱融合的三维人脑MRI分割及校正模型，主要针对3D人脑MR图像的分割及校正。第四部分（第6—8章）介绍带有约束信息的图像分割模型，包括结合先验约束项的图像分割模型、带有强约束项的彩色图像分割模型和PeRSF模型。第五部分（第9—11章）介绍基于深度学习与水平集方法的医学图像分割模型，包括弱监督牙齿分割模型、基于局部方差和边缘信息的自适应分割模型、基于强化主动学习的图像选择策略应用于分割模型。以上介绍的各种医学图像分割与校正模型，针对不同特性的医学图像，不仅提高了模型分割的准确度，也提高了模型分割的速度以及自适应性与鲁棒性。
更多科学出版社服务，请扫码获取。
所做的研究工作获得国际同行的广泛关注，所发表34篇学术论文已在Web of Science上被引用累计86次，其中，单篇最高引用次数达30次；在谷歌学术上被引用累计186次，单篇最高引用次数达56次。
目录
第1章 绪论 1
1.1 医学图像分割与校正背景及意义 1
1.2 国内外研究现状分析 3
1.3 相关模型与方法 7
1.3.1 MICO 模型 7
1.3.2 CV 模型 8
1.3.3 RSF 模型 8
1.3.4 分裂Bregman方法 11
1.4 本书内容简介 12
第2章 多区 MR 图像分割与校正模型 15
2.1 前期准备 15
2.1.1 CLIC 模型 15
2.1.2 分裂 Bregman 方法 16
2.2 模型建立 16
2.2.1 建立能量泛函 16
2.2.2 定义隶属函数 17
2.2.3 定义加权长度项 19
2.2.4 偏磁场估计算法 19
2.2.5 分裂Bregman方法极小化能量泛函 19
2.3 数值实验 22
2.3.1 数值实现 22
2.3.2 实验结果 22
2.4 本章小结 29
第3章 抗噪声医学图像分割与校正模型 30
3.1 引言 30
3.2 模型建立 30
3.2.1 二区能量泛函与分裂 Bregman 方法求解 31
3.2.2 多区能量泛函与分裂 Bregman 方法求解 35
3.3 数值实验 38
3.3.1 数值实现 38
3.3.2 实验结果 39
3.4 本章小结 54
第4章 基函数表达的人脑MR图像分割与校正模型 55
4.1 引言 55
4.2 SCMB模型 55
4.3 应用分裂Bregman方法求解.58
4.4 针对多区图像的SCMB模型 59
4.5 数值实验 62
4.5.1 数值实现 62
4.5.2 实验结果 63
4.6 本章小结 77
第5章 多图谱融合的三维人脑MR图像分割与校正模型 79
5.1 引言 79
5.2 多图谱融合三维分割与校正模型 80
5.3 基于模型构建新的能量泛函 82
5.4 应用分裂Bregman方法极小化模型 83
5.5 实验结果 85
5.6 本章小结 92
第6章 结合先验约束项的图像分割模型 94
6.1 预备知识 94
6.2 模型建立 95
6.2.1 先验约束项 95
6.2.2 构造能量泛函 95
6.2.3 分裂Bregman方法极小化能量泛函 96
6.3 数值实验 98
6.3.1 数值实现 98
6.3.2 实验结果 99
6.4 本章小结 104
第7章 带有强约束项的彩色图像分割模型 106
7.1 引言 106
7.2 预备知识 106
7.2.1 RSF 模型 106
7.2.2 多图谱方法.107
7.3 ERSF 模型 108
7.4 分裂Bregman方法快速求解 110
7.5 数值实验 112
7.6 本章小结 115
第8章 并行的带有强约束项的图像分割模型 116
8.1 引言 116
8.2 预备知识 116
8.3 PeRSF模型 117
8.4 数值实验 119
8.5 时间复杂度分析 122
8.6 本章小结 123
第9章 弱监督牙齿分割模型 124
9.1 引言 124
9.2 弱监督分割模型的建立 125
9.2.1 牙齿检测 125
9.2.2 椭圆锚框生成 125
9.2.3 带约束的活动轮廓模型 126
9.2.4 能量极小化 128
9.2.5 曲率分割模型 131
9.2.6 粘连牙齿分离 131
9.2.7 弱监督训练.132
9.3 数值实验 133
9.4 本章小结 139
第10章 基于局部方差和边缘信息的自适应分割模型 140
10.1 引言 140
10.2 局部方差分割模型的建立和极小化 141
10.2.1 局部方差能量泛函的建立 142
10.2.2 梯度下降方法极小化局部方差分割模型 144
10.3 局部方差分割模型的双层能量泛函 146
10.4 实验与分析 146
10.4.1 不同数据集上的分割实验 146
10.4.2 参数选择.158
10.4.3 消融实验.159
10.5 本章小结 159
第11章 基于强化主动学习的图像选择策略应用于分割模型 161
11.1 引言 161
11.2 强化主动学习模型的建立 162
11.2.1 主动学习作为MDP 163
11.2.2 构建状态 165
11.2.3 构建动作 165
11.2.4 构建奖励 167
11.2.5 通过DQN学习选择策略 168
11.3 实验与分析 170
11.3.1 数据集ACDC的分割实验.171
11.3.2 数据集M&Ms的分割实验 172
11.3.3 消融实验 174
11.4 本章小结 176
参考文献 177
书单推荐
