深度學習與醫(yī)學圖像處理

定　價：￥89.80

作　者：	梁隆愷，付鶴，陳峰蔚，劉亞歐，熊云云
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥67.30)

ISBN：	9787115611802	出版時間：	2023-06-01	包裝：	平裝-膠訂
開本：	128開	頁數：		字數：

內容簡介

　　這是一本介紹“如何使用深度學習方法解決醫(yī)學圖像處理問題”的入門圖書。本書先介紹醫(yī)學圖像的基礎知識，包括醫(yī)學圖像數據、數據標注、醫(yī)學數字圖像處理和醫(yī)學圖像分類；其次介紹解決醫(yī)學圖像處理中常見的機器視覺任務（語義分割、關鍵點檢測和醫(yī)學圖像配準），并輔以實戰(zhàn)案例，幫助讀者深入理解相關技術原理，進而鞏固所學知識；后介紹模型優(yōu)化和遷移學習的相關內容，幫助讀者拓寬思路，提升其針對具體需求采用不同的解決方法的能力。本書適合醫(yī)工交叉專業(yè)以及從事醫(yī)學圖像處理工作的工程人員和科研人員閱讀，也可供智能醫(yī)學相關專業(yè)的高年級本科生及研究生參考。閱讀本書之前，讀者需要了解基本的深度學習知識，并有一定的Python編程基礎。

作者簡介

　　梁隆愷，哈爾濱理工大學計算機科學與技術專業(yè)碩士，昌平國家實驗室腦科學與類腦研究部門高級算法工程師，國家神經系統疾病臨床醫(yī)學研究中心人工智能研發(fā)項目組特聘高級算法工程師。付鶴，北京航空航天大學機器人技術專業(yè)碩士，國家神經系統疾病臨床醫(yī)學研究中心人工智能研發(fā)項目組特聘高級算法工程師，中國人民解放軍總醫(yī)院技術顧問，Biomind 人工智能部算法總監(jiān)。陳峰蔚，大連理工大學碩士，昌平國家實驗室腦科學與類腦研究部門算法工程師，國家神經系統疾病臨床醫(yī)學研究中心人工智能研發(fā)項目組特聘算法工程師。劉亞歐，首都醫(yī)科大學附屬北京天壇醫(yī)院黨委委員、放射科（國家臨床重點專科）學科帶頭人、主任醫(yī)師、教授、博士生導師。熊云云，畢業(yè)于復旦大學臨床醫(yī)學七年制專業(yè)（本碩），香港中文大學博士、博士后，哈佛大學訪問研究員?，F任首都醫(yī)科大學附屬北京天壇醫(yī)院神經病學中心主任醫(yī)師、副教授、碩士研究生導師、血管神經病學科副主任。

圖書目錄

第 1章人工智能在醫(yī)學領域的應用 1
1.1　人工智能概述 1
1.2　人工智能在醫(yī)學領域中的應用 2
1.3　人工智能在醫(yī)學圖像方面的應用 5
1.4　小結 6
1.5　參考資料 7

第 2章醫(yī)學圖像數據 11
2.1　常見的醫(yī)學圖像數據 11
2.1.1　X線成像 11
2.1.2　X線計算機體層成像 12
2.1.3　磁共振成像 13
2.1.4　超聲成像 16
2.1.5　心電圖 17
2.2　常見的影像格式 18
2.2.1　DICOM 18
2.2.2 Analyze 23
2.2.3　Nifti 24
2.2.4　Minc 25
2.3　小結 25
2.4　參考資料 25

第3章數據標注 27
3.1　界面介紹 27
3.2　開始標注 31
3.3　小結 41
3.4　參考資料 41

第4章醫(yī)學數字圖像處理 43
4.1　數據預處理 44
4.1.1　插值 44
4.1.2　重采樣 46
4.1.3　信號強度直方圖的分析與均衡化 48
4.1.4　數據歸一化 50
4.1.5　連通域分析 51
4.1.6　形態(tài)學方法 52
4.2　數據增強 55
4.2.1　常見的數據增強方法 55
4.2.2　彈性形變 56
4.2.3　基于TensorFlow的在線數據增強 57
4.3　小結 59
4.4　參考資料 59

第5章醫(yī)學圖像分類 61
5.1　損失函數 61
5.1.1　交叉熵損失 62
5.1.2　Focal損失 62
5.1.3　KL散度 63
5.2　評價指標 64
5.2.1　混淆矩陣 64
5.2.2　常見的評價指標 64
5.2.3　診斷性實驗常用的評價指標 67
5.2.4　衡量模型性能的評價指標 67
5.3　經典模型 68
5.3.1　跨層連接 69
5.3.2　網絡寬度 71
5.3.3　注意力機制 72
5.4　實戰(zhàn)：基于顱內CT影像的腦出血分類檢測 73
5.4.1　數據集預處理 74
5.4.2　模型訓練 78
5.4.3　模型測試 84
5.4.4　基于顱內CT影像的腦出血分類檢測實戰(zhàn)總結 86
5.5　小結 86
5.6　參考資料 86

第6章語義分割 89
6.1　損失函數 89
6.1.1　Dice損失 90
6.1.2　Tversky損失 90
6.1.3　Boundary損失 91
6.1.4　混合損失 91
6.2　評價指標 92
6.2.1　IoU 92
6.2.2　Dice系數 93
6.2.3　Hausdorff-95 93
6.3　其他統計方法 94
6.3.1　patient-level 94
6.3.2　data-level 94
6.4　經典分割模型 95
6.4.1　UNet網絡 95
6.4.2　UNet變形 97
6.4.3　其他分割網絡 99
6.5　實戰(zhàn)：基于MRI影像的腦腫瘤分割 100
6.5.1　數據預處理 100
6.5.2　模型搭建 104
6.5.3　訓練模型 108
6.5.4　模型測試 113
6.6　小結 114
6.7　參考資料 115

第7章關鍵點檢測 117
7.1　概念與意義 117
7.2　常見的關鍵點檢測模型 118
7.3　實戰(zhàn)：血管關鍵點檢測 121
7.4　小結 130
7.5　參考資料 130

第8章醫(yī)學圖像配準 131
8.1　基礎知識 131
8.1.1　特征空間 132
8.1.2　搜索空間 132
8.1.3　相似性度量 136
8.1.4　搜索策略 138
8.1.5　質量評價 139
8.2　深度學習圖像配準方法 140
8.2.1　有監(jiān)督學習圖像配準 141
8.2.2　無監(jiān)督學習圖像配準 142
8.3　實戰(zhàn)：深度學習圖像配準模型VoxelMorph 142
8.3.1　數據讀取 143
8.3.2　網絡結構 144
8.3.3　訓練和測試 149
8.3.4　實戰(zhàn)總結 151
8.4　小結 151
8.5　參考資料 152

第9章模型優(yōu)化 153
9.1　模型剪枝 153
9.1.1　稀疏性概念 154
9.1.2　剪枝策略 154
9.1.3　敏感性分析 156
9.2　模型量化 157
9.3　TensorRT 158
9.3.1　基礎介紹 158
9.3.2　應用場景 158
9.3.3　基本原理 159
9.4 實戰(zhàn)：顱內出血CT影像分類模型的量化 160
9.5　小結 163
9.6　參考資料 163

第 10章遷移學習 165
10.1　遷移學習 165
10.2　終身學習 166
10.3　實戰(zhàn)：數據失衡的顱內影像出血檢測優(yōu)化方法 167
10.3.1　遷移學習的實驗 167
10.3.2　終身學習的實驗 177
10.4　小結 184
10.5　參考資料 184