- 深度学习与医学图像处理/智能医学与大数据系列
- - 作者：编者:梁隆恺//付鹤//陈峰蔚//刘亚欧//熊云云|责编:吴晋瑜
  - 出版社：人民邮电
  - ISBN：9787115611802
  - 出版日期：2023/06/01
  - 页数：184
- 售价：35.92

内容大纲
    这是一本介绍“如何使用深度学习方法解决医学图像处理问题”的入门图书。本书先介绍医学图像的基础知识，包括医学图像数据、数据标注、医学数字图像处理和医学图像分类；其次介绍解决医学图像处理中常见的机器视觉任务（语义分割、关键点检测和医学图像配准），并辅以实战案例，帮助读者深入理解相关技术原理，进而巩固所学知识；最后介绍模型优化和迁移学习的相关内容，帮助读者拓宽思路，提升其针对具体需求采用不同的解决方法的能力。
    本书适合医工交叉专业以及从事医学图像处理工作的工程人员和科研人员阅读，也可供智能医学相关专业的高年级本科生及研究生参考。
    阅读本书之前，读者需要了解基本的深度学习知识，并有一定的Python编程基础。
作者介绍
目录
第1章  人工智能在医学领域的应用
  1.1  人工智能概述
  1.2  人工智能在医学领域中的应用
  1.3  人工智能在医学图像方面的应用
  1.4  小结
  1.5  参考资料
第2章  医学图像数据
  2.1  常见的医学图像数据
    2.1.1  X线成像
    2.1.2  X线计算机体层成像
    2.1.3  磁共振成像
    2.1.4  超声成像
    2.1.5  心电图
  2.2  常见的影像格式
    2.2.1  DICOM
    2.2.2  Analyze
    2.2.3  Nifti
    2.2.4  Minc
  2.3  小结
  2.4  参考资料
第3章  数据标注
  3.1  界面介绍
  3.2  开始标注
  3.3  小结
  3.4  参考资料
第4章  医学数字图像处理
  4.1  数据预处理
    4.1.1  插值
    4.1.2  重采样
    4.1.3  信号强度直方图的分析与均衡化
    4.1.4  数据归一化
    4.1.5  连通域分析
    4.1.6  形态学方法
  4.2  数据增强
    4.2.1  常见的数据增强方法
    4.2.2  弹性形变
    4.2.3  基于TensorFlow的在线数据增强
  4.3  小结
  4.4  参考资料
第5章  医学图像分类
  5.1  损失函数
    5.1.1  交叉熵损失
    5.1.2  Focal损失
    5.1.3  KL散度
  5.2  评价指标
    5.2.1  混淆矩阵
    5.2.2  常见的评价指标
    5.2.3  诊断性实验常用的评价指标
    5.2.4  衡量模型性能的评价指标
  5.3  经典模型

    5.3.1  跨层连接
    5.3.2  网络宽度
    5.3.3  注意力机制
  5.4  实战：基于颅内CT影像的脑出血分类检测
    5.4.1  数据集预处理
    5.4.2  模型训练
    5.4.3  模型测试
    5.4.4  基于颅内CT影像的脑出血分类检测实战总结
  5.5  小结
  5.6  参考资料
第6章  语义分割
  6.1  损失函数
    6.1.1  Dice损失
    6.1.2  Tversky损失
    6.1.3  Boundary损失
    6.1.4  混合损失
  6.2  评价指标
    6.2.1  IoU
    6.2.2  Dice系数
    6.2.3  Hausdorff
  6.3  其他统计方法
    6.3.1  patient-level
    6.3.2  data-level
  6.4  经典分割模型
    6.4.1  UNet网络
    6.4.2  UNet变形
    6.4.3  其他分割网络
  6.5  实战：基于MRI影像的脑肿瘤分割
    6.5.1  数据预处理
    6.5.2  模型搭建
    6.5.3  训练模型
    6.5.4  模型测试
  6.6  小结
  6.7  参考资料
第7章  关键点检测
  7.1  概念与意义
  7.2  常见的关键点检测模型
  7.3  实战：血管关键点检测
  7.4  小结
  7.5  参考资料
第8章  医学图像配准
  8.1  基础知识
    8.1.1  特征空间
    8.1.2  搜索空间
    8.1.3  相似性度量
    8.1.4  搜索策略
    8.1.5  质量评价
  8.2  深度学习图像配准方法
    8.2.1  有监督学习图像配准
    8.2.2  无监督学习图像配准

  8.3  实战：深度学习图像配准模型VoxelMorph
    8.3.1  数据读取
    8.3.2  网络结构
    8.3.3  训练和测试
    8.3.4  实战总结
  8.4  小结
  8.5  参考资料
第9章  模型优化
  9.1  模型剪枝
    9.1.1  稀疏性概念
    9.1.2  剪枝策略
    9.1.3  敏感性分析
  9.2  模型量化
  9.3  TensorRT
    9.3.1  基础介绍
    9.3.2  应用场景
    9.3.3  基本原理
  9.4  实战：颅内出血CT影像分类模型的量化
  9.5  小结
  9.6  参考资料
第10章  迁移学习
  10.1  迁移学习
  10.2  终身学习
  10.3  实战：数据失衡的颅内影像出血检测优化方法
    10.3.1  迁移学习的实验
    10.3.2  终身学习的实验
  10.4  小结
  10.5  参考资料

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目