人工智能醫學影像評估——青少年脊柱側凸醫學影像計算機輔助評估方法

第1章 青少年特發性脊柱側凸醫學影像評估基本方法
1.1 脊柱的功能結構
1.2 青少年特發性脊柱側凸及其醫學成像方法
1.2.1 青少年特發性脊柱側凸
1.2.2 脊柱側凸醫學成像方法
1.3 青少年特發性脊柱側凸X線成像醫學評估方法及其存在問題
1.4 人工智能技術在醫學影像評估中的應用
1.4.1 深度學習在醫學影像處理任務中的應用
1.4.2 深度學習在醫學影像評估中的優勢
1.4.3 深度學習在醫學影像評估實踐中的挑戰
第2章 脊柱X線圖像Cobb角自動測量
2.1 Cobb角計算機輔助測量方法研究現狀
2.1.1 基於傳統圖像處理的Cobb角計算機輔助測量方法研究進展
2.1.2 基於深度學習的Cobb角計算機輔助測量方法研究進展
2.2 神經網絡模型——U-Net模型
2.2.1 卷積神經網絡（CNN）
2.2.2 U-Net模型
2.3 改進的U-Net脊柱圖像分割網絡
2.3.1 改進的U-Net分割網絡結構
2.3.2 多尺度卷積的Inception模塊
2.3.3 殘差模塊
2.3.4 卷積塊註意力模塊（CBAM）
2.3.5 脊柱X線圖像椎體分割結果及其評估
2.4 Cobb角自動測量及實驗結果評估
2.4.1 Cobb角自動測量
2.4.2 Cobb角測量結果評估
2.5 本章小結
第3章 脊柱X線圖像椎體旋轉度自動測量
3.1 椎體旋轉度計算機輔助測量方法研究現狀
3.2 神經網絡模型——HRNet模型
3.3 基於多任務學習的椎體關鍵點檢測和椎弓根影分割
3.3.1 基於多任務學習的特征提取模塊
3.3.2 CoordConv層和PSA機制
3.3.3 解碼層
3.3.4 脊柱X線圖像椎體關鍵點檢測和椎弓根影分割結果及評估
3.4 椎體旋轉度自動測量及實驗結果評估
3.4.1 椎體旋轉度自動測量方法
3.4.2 椎體旋轉度自動測量結果及其評估
3.5 本章小結
第4章 骨盆X線圖像Risser征自動分級
4.1 骨骼成熟度計算機輔助評估方法研究現狀
4.2 神經網絡模型——Transformer模型
4.2.1 自註意力機制(Self-Attention)
4.2.2 Transformer模型
4.2.3 Swin Transformer模型
4.3 基於多任務學習的Risser征自動分級
4.3.1 基於Swin-Transformer模型的多任務特征提取
4.3.2 改進的Swin Transformer模塊
4.3.3 實施細節
4.3.4 實驗結果
4.4 本章小結
第5章 脊柱X線圖像三維重建
5.1 脊柱三維重建方法研究現狀
5.1.1 傳統脊柱三維重建方法
5.1.2 基於深度學習的脊柱三維重建方法
5.1.3 單視圖三維重建
5.2 網絡結構設計
5.2.1 網絡總體結構
5.2.2 小波變換特征提取模塊
5.2.3 維度變換模塊
5.2.4 特征融合模塊
5.2.5 損失函數
5.3 實驗設置
5.3.1 數據集
5.3.2 評價指標
5.3.3 實驗細節
5.4 實驗結果和分析
5.4.1 對比實驗
5.4.2 消融實驗
5.4.3 泛化性能實驗
5.5 本章小結
第6章 脊柱側凸病例模型生成方法
6.1 醫學模型生成方法研究現狀
6.1.1 傳統生成方法
6.1.2 深度學習生成方法
6.2 變分自編碼器
6.3 腰椎生成網絡設計
6.3.1 生成網絡總體結構
6.3.2 空間坐標註意力模塊
6.3.3 損失函數
6.3.4 噪聲層
6.4 實驗和結果分析
6.4.1 數據集和參數設置
6.4.2 評價指標
6.4.3 腰椎重建實驗
6.4.4 腰椎生成實驗
6.5 本章小結
參考文獻