管理者的財務分析與決策

王琨,清華大學經濟管理學院會計系長聘副教授，博士生導師，清華大學公司治理研究中心副主任。2003年獲香港科技大學會計系博士學位。2010年MIT斯隆商學院訪問學者。主要講授課程：會計學原理、中級財務會計、財務分析與企業決策、智慧財務。開設在線課程《管理者的會計學》，為清華經管高管教育中心、EMBA項目，開設了《戰略與財務分析》《行動學習》等課程。

目錄

 

 

第1章基於深度學習的低劑量CT去噪方法研究進展1

1.1LDCT中的噪聲與偽影1

1.2基於深度學習的LDCT去噪方法綜述3

1.2.1基於CNN的方法4

1.2.2基於編碼器—解碼器的方法9

1.2.3基於GAN的方法11

1.2.4基於Transformer的方法16

1.3數據集19

1.3.1配對和未配對數據集19

1.3.2模擬數據集和真實數據集20

1.3.3數據增強21

1.4實驗與結果討論21

1.4.1實驗參數設置21

1.4.2主觀和視覺分析22

1.4.3定量分析25

1.5挑戰與未來方向29

1.5.1基於多模態的LDCT去噪網絡30

1.5.2雙域級聯去噪的深度學習框架30

1.5.3解決配對CT圖像稀缺性的幾種方法31

1.6本章小結31

第2章基於深度學習的肺部CT圖像分割方法研究進展33

2.1深度學習與圖像分割33

2.2圖像采集與預處理34

2.2.1數據集34

2.2.2數據擴充35

2.2.3損失函數36

2.2.4評價指標37

2.3CT圖像分割的深度學習模型38

2.3.1基於編碼器—解碼器的模型38

2.3.2基於註意力的模型40

2.3.3基於Transformer的模型42

2.3.4基於多尺度和金字塔網絡的模型43

2.3.5基於擴張卷積的模型44

2.4實驗與結果討論45

2.4.1實驗參數設置45

2.4.2主觀和視覺分析46

2.4.3定量分析46

2.5挑戰與未來趨勢47

2.5.1更具挑戰性的數據集48

2.5.2應用於CT成像分割的可解釋性48

2.5.3缺乏完整的自動化系統48

2.6本章小結48

第3章基於多特征提取的低劑量CT圖像去噪方法49

3.1醫學CT圖像中的噪聲49

3.2卷積神經網絡中多特征提取方法50

3.2.1多特征提取的殘差學習50

3.2.2多特征提取和融合50

3.2.3特征提取卷積神經網絡模型51

3.2.4網絡訓練優化問題53

3.3基於多特征提取的算法實現與實驗54

3.3.1圖像去噪性能評價指標54

3.3.2實驗訓練圖像數據集55

3.3.3實驗訓練環境57

3.3.4實驗訓練階段57

3.4實驗結果分析與對比60

3.4.1實驗結果分析60

3.4.2與其他去噪網絡對比實驗62

3.5本章小結63

第4章基於UNet和多註意力的低劑量CT圖像去噪方法65

4.1相關網絡模型65

4.1.1UNet網絡65

4.1.2註意力機制66

4.2基於UNet網絡和多通道多註意力機制的去噪網絡68

4.2.1局部註意模塊69

4.2.2多特征通道註意模塊71

4.2.3層級註意模塊72

4.2.4增強學習模塊74

4.2.5數據預處理74

4.2.6損失函數76

4.2.7網絡訓練細節79

4.3實驗結果與分析79

4.3.1圖像去噪性能評價指標79

4.3.2實驗環境79

4.3.3實驗結果分析79

4.3.4與其他去噪網絡對比實驗84

4.3.5註意力模塊消融實驗與分析85

4.4本章小結88

第5章基於CNN和Transformer的低劑量CT圖像去噪方法89

5.1Transformer模型理論基礎89

5.1.1Transformer中的自註意機制90

5.1.2掩碼自註意力91

5.1.3多頭註意力91

5.1.4前饋網絡92

5.1.5計算機視覺中的Transformer92

5.2基於CNN和Transformer的低劑量CT圖像去噪網絡94

5.2.1整體網絡架構94

5.2.2基於CNN的編碼器95

5.2.3多尺度空間註意模塊96

5.2.4雙路徑Transformer模塊97

5.3神經網絡訓練100

5.3.1實驗數據集100

5.3.2網絡訓練細節102

5.4實驗與分析103

5.4.1圖像去噪性能評價指標103

5.4.2實驗結果分析和對比103

5.4.3消融實驗108

5.5本章小結109

第6章基於多層註意機制UNet的肺部CT圖像分割網絡111

6.1註意力機制111

6.1.1局部空間註意機制111

6.1.2通道空間註意機制112

6.1.3混合註意機制112

6.1.4非局部註意機制113

6.1.5位置註意機制113

6.2多層註意機制UNet114

6.2.1邊緣註意模塊114

6.2.2形狀註意模塊116

6.2.3局部註意模塊117

6.2.4上下文募集模塊117

6.2.5瓶頸模塊118

6.3神經網絡訓練119

6.3.1損失函數的選擇與改進119

6.3.2實驗數據集121

6.3.3數據預處理122

6.3.4網絡訓練細節123

6.4實驗結果與分析123

6.4.1圖像分割性能評價指標123

6.4.2實驗環境124

6.4.3實驗結果分析和對比124

6.4.4網絡模塊消融實驗與分析126

6.5本章小結132

第7章基於多尺度特征融合UNet的皮膚病圖像分割網絡133

7.1編碼器—解碼器模型結構133

7.2多級特征融合UNet134

7.2.1通道註意擴張卷積模塊134

7.2.2聚合交互模塊136

7.2.3子像素卷積層 137

7.3損失函數的設計139

7.3.1損失函數的作用139

7.3.2基於交叉熵的損失函數139

7.3.3基於相似度度量的損失函數140

7.4實驗數據集和預處理141

7.4.1實驗數據集 141

7.4.2數據預處理142

7.4.3網絡訓練細節143

7.5實驗結果分析143

7.5.1分割性能評價指標143

7.5.2與現有分割網絡性能對比143

7.5.3網絡模塊消融實驗對比145

7.6本章小結147

第8章基於遷移學習和UNet的肺部CT圖像分割方法148

8.1相關神經網絡模型148

8.1.1深度殘差網絡 148

8.1.2深度學習模型 149

8.2基於遷移學習和UNet的肺部CT圖像分割方法 149

8.2.1遷移學習 149

8.2.2系統架構圖151

8.2.3連續擴張卷積模塊 152

8.2.4多核池化模塊 153

8.2.5並行的雙註意力模塊 154

8.3神經網絡訓練156

8.3.1損失函數的選擇156

8.3.2實驗數據集158

8.3.3網絡訓練細節161

8.4實驗結果與分析163

8.4.1圖像分割性能評價指標 163

8.4.2實驗結果分析和對比163

8.4.3網絡模塊消融實驗與分析165

8.5本章小結169

第9章基於Transformer和UNet的CT圖像分割方法170

9.1相關理論知識170

9.1.1註意力機制170

9.1.2swin Transformer 173

9.2基於Transformer和UNet的肺部CT圖像分割方法 176

9.2.1MCSTUNet 176

9.2.2融合CNN和swin Transformer模塊 177

9.2.3多重註意力融合模塊179

9.3神經網絡訓練181

9.3.1損失函數 181

9.3.2數據集182

9.3.3遷移學習策略182

9.4實驗結果分析183

9.4.1性能評價指標 183

9.4.2實驗環境和設置 184

9.4.3實驗結果分析185

9.4.4消融實驗190

9.5本章小結191

參考文獻192