《深度學習與醫學圖像處理》是一本2023年人民郵電出版社出版的圖書，作者是梁隆愷、付鶴、陳峰蔚、劉亞歐、熊云云。
基本介紹
- 中文名：深度學習與醫學圖像處理
- 作者：梁隆愷、付鶴、陳峰蔚、劉亞歐、熊云云
- 出版時間：2023年6月
- 出版社：人民郵電出版社
- ISBN：9787115611802
- 裝幀：平裝-膠訂
內容簡介,圖書目錄,作者簡介,
內容簡介
這是一本介紹“如何使用深度學習方法解決醫學圖像處理問題”的入門圖書。本書先介紹醫學圖像的基礎知識，包括醫學圖像數據、數據標註、醫學數字圖像處理和醫學圖像分類；其次介紹解決醫學圖像處理中常見的機器視覺任務（語義分割、關鍵點檢測和醫學圖像配準），並輔以實戰案例，幫助讀者深入理解相關技術原理，進而鞏固所學知識；後介紹模型最佳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採用不同的解決方法的能力。
本書適合醫工交叉專業以及從事醫學圖像處理工作的工程人員和科研人員閱讀，也可供智慧型醫學相關專業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，並有一定的Python編程基礎
圖書目錄
第 1章 人工智慧在醫學領域的套用 1
1.1 人工智慧概述 1
1.2 人工智慧在醫學領域中的套用 2
1.3 人工智慧在醫學圖像方面的套用 5
1.4 小結 6
1.5 參考資料 7
第 2章 醫學圖像數據 11
2.1 常見的醫學圖像數據 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 數據標註 27
3.1 界面介紹 27
3.2 開始標註 31
3.3 小結 41
3.4 參考資料 41
第4章 醫學數字圖像處理 43
4.1 數據預處理 44
4.1.1 插值 44
4.1.2 重採樣 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 基於TensorFlow的線上數據增強 57
4.3 小結 59
4.4 參考資料 59
第5章 醫學圖像分類 61
5.1 損失函式 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 跨層連線 69
5.3.2 網路寬度 71
5.3.3 注意力機制 72
5.4 實戰：基於顱內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 基於顱內CT影像的腦出血分類檢測實戰總結 86
5.5 小結 86
5.6 參考資料 86
第6章 語義分割 89
6.1 損失函式 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係數 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網路 95
6.4.2 UNet變形 97
6.4.3 其他分割網路 99
6.5 實戰：基於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：血管關鍵點檢測 121
7.4 小結 130
7.5 參考資料 130
第8章 醫學圖像配準 131
8.1 基礎知識 131
8.1.1 特徵空間 132
8.1.2 搜尋空間 132
8.1.3 相似性度量 136
8.1.4 搜尋策略 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 有監督學習圖像配準 141
8.2.2 無監督學習圖像配準 142
8.3 實戰：深度學習圖像配準模型VoxelMorph 142
8.3.1 數據讀取 143
8.3.2 網路結構 144
8.3.3 訓練和測試 149
8.3.4 實戰總結 151
8.4 小結 151
8.5 參考資料 152
第9章 模型最佳化 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 套用場景 158
9.3.3 基本原理 159
9.4 實戰：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：數據失衡的顱內影像出血檢測最佳化方法 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
作者簡介
梁隆愷，哈爾濱理工大學計算機科學與技術專業碩士，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學研究中心人工智慧研發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碩士，國家神經系統疾病臨床醫學研究中心人工智慧研發項目組特聘高級算法工程師，中國人民解放軍總醫院技術顧問，Biomind 人工智慧部算法總監。 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學研究中心人工智慧研發項目組特聘算法工程師。 劉亞歐，首都醫科大學附屬北京天壇醫院黨委委員、放射科（國家臨床重點專科）學科帶頭人、主任醫師、教授、博士生導師。 熊云云，畢業於復旦大學臨床醫學七年制專業（本碩），香港中文大學博士、博士後，哈佛大學訪問研究員。現任首都醫科大學附屬北京天壇醫院神經病學中心主任醫師、副教授、碩士研究生導師、血管神經病學科副主任。
