医療AIとディープラーニング  医用画像のためのディープラーニングー実践編-

個数:1
紙書籍版価格 ¥3,520
  • Kinoppy

医療AIとディープラーニング 医用画像のためのディープラーニングー実践編-


ファイル: /

内容説明

医用画像におけるディープラーニング(Deep Learning)をまとめた本格的なシリーズ
 医用画像に人工知能を本格的に導入するためのわかりやすい解説書。
・TensorFlow+Kerasで行う
・Anaconda上で環境構築する
・データはだれでも入手できるデータを使う
を基本的な方針としてまとめました。
 少しでもプログラミングができれば、だれでも読み込める内容になっています。

目次

Chapter1 環境構築
1.1 計算環境の概要
1.1.1 Anaconda
1.1.2 Python
1.1.3 TensorFlow
1.1.4 Keras
1.1.5 Jupyter Notebook
1.1.6 GPU
1.2 パソコンでの環境構築(GPUなしの場合)
1.3 パソコンでの環境構築(GPUありの場合)
1.3.1 Visual Studio 2015/2017 Community版のインストール
1.3.2 CUDA9.0のインストール
1.3.3 cuDNN v7.1 for CUDA9.0のインストール
1.3.4 GPU版TensorFlow のインストール
1.4 環境構築のまとめ

Chapter2 データの準備/前処理
2.1 画像の入手
2.2 テキストファイルと画像ファイルの読み込みと前処理
2.2.1 テキストファイルの読み込みと前処理
2.2.2 画像ファイルの読み込み
2.3 本書で利用する画像データベースの利用方法
2.3.1 Chapter1で利用するデータベース
2.3.2 Chapter2で利用するデータベース
2.3.3 Chapter3で利用するデータベース
2.3.4 Chapter4で利用するデータベース
2.3.5 Chapter5で利用するデータベース
2.3.6 Chapter6で利用するデータベース
2.3.7 Chapter7で利用するデータベース
2.3.8 Chapter8で利用するデータベース
2.3.9 Chapter9で利用するデータベース
2.3.10 Chapter10で利用するデータベース
2.3.11 Chapter11で利用するデータベース
2.4 まとめ

Chapter3 Shallow networkの利用
3.1 はじめに
3.2 実行
3.3 まとめ

Chapter4 畳み込みニューラルネットワークの利用
4.1 はじめに
4.2 自然画像データベースを利用した画像分類
4.2.1 概要
4.2.2 目的
4.2.3 実行
4.2.4 自分の画像を入力する
4.2.5 まとめ
4.3 胸部X線画像の画像の向きを自動判定
4.3.1 概要
4.3.2 目的
4.3.3 実行
4.3.4 まとめ
4.4 胸部X線画像から年齢を推定する
4.4.1 概要
4.4.2 目的
4.4.3 実行
4.5 まとめ

Chapter5 画像の領域分割(U-Net)
5.1 領域分割
5.2 医用画像における領域分割
5.3 U-Netの構造
5.4 U-Netによる領域分割の実践
5.5 コードの解説
5.5.1 データの準備
5.5.2 ネットワークの定義
5.5.3 ネットワークの学習
5.5.4 学習結果の確認
5.5.5 推定の実行

Chapter6 動画像のシーン分割と分類
6.1 動画像処理におけるディープラーニングの利用
6.2 RNN
6.3 動画像の分類の実装例:LSTMを用いた動画像分類
6.3.1 データセット
6.3.2 画像とクラスラベル値の読み込み
6.3.3 画像とクラスラベル値の時系列データ化
6.3.4 CNNのネットワーク定義
6.3.5 CNNの学習の設定と実行
6.3.6 CNNの学習結果の確認
6.3.7 CNNによる評価データの分類と評価
6.3.8 LSTM層を持つCNNのネットワーク定義
6.3.9 LSTM層を持つCNNの学習の設定,実行,結果の確認
6.3.10 LSTM層を持つCNNによる評価データの分類と評価

Chapter7 画像のノイズ除去
7.1 はじめに
7.2 画像ノイズ除去の深層学習ネットワーク
7.3 評価指標
7.4 ノイズ除去の実装例:CNNを用いたCT画像のノイズ除去
7.4.1 データセット
7.4.2 ノイズ画像の生成
7.4.3 CNNで使用するデータ準備
7.4.4 CNNのネットワーク定義
7.4.5 学習の設定と実行
7.4.6 学習結果の確認
7.4.7 評価用データに対するノイズ除去実行と結果保存
7.4.8 CNNによるノイズ除去の結果確認
7.5 ノイズ除去の実装例:DnCNNを用いたCT画像のノイズ除去
7.5.1 DnCNNのネットワーク定義
7.5.2 DnCNNによるノイズ除去の結果確認

Chapter8 画像の超解像
8.1 はじめに
8.2 超解像の深層学習ネットワーク
8.3 評価指標
8.4 超解像の実装例:SRCNNを用いたCT画像の超解像
8.4.1 データセット
8.4.2 低解像度画像の生成
8.4.3 SRCNNで使用するデータ準備
8.4.4 SRCNNのネットワーク定義
8.4.5 学習の設定と実行
8.4.6 学習結果の確認
8.4.7 評価用データに対する超解像実行と結果保存
8.4.8 SRCNNによる超解像の結果確認
8.5 超解像の実装例:DDSRCNNを用いたCT画像の超解像
8.5.1 DDSRCNNのネットワーク定義
8.5.2 DDSRCNNによる超解像の結果確認

Chapter9 画像の特徴抽出
9.1 異常データの検出
9.2 異常画像の検出
9.3 クラスタリングによるマンモグラフィの良悪性分類

Chapter10 画像の変換や生成
10.1 MISTを用いたDCGANによる手書き文字画像の生成
10.2 DCGANを用いたマンモグラフィの腫瘤画像の生成
10.3 条件付き画像生成

Chapter11 評価方法
11.1 ROC解析
11.1.1 刺激-反応マトリクス
11.1.2 ROC曲線
11.1.3 ROC解析の実践
11.2 混同行列に基づく評価
11.2.1 混同行列
11.2.2 評価指標
11.2.3 多群分類の評価
11.2.4 多群分類の評価の実践
11.3 画像領域の評価
11.3.1 評価指標
11.3.2 画像領域の評価の実践
索引