智能医疗影像技术

第1篇 概念篇
第1章 绪论 2
1.1 智慧医疗的概念 3
1.1.1 什么是智慧医疗 3
1.1.2 为什么需要智慧医疗 5
1.1.3 智慧医疗简史 6
1.1.4 智慧医疗发展愿景 8
1.2 人工智能与医学影像诊断 11
1.2.1 医学影像研究方法 11
1.2.2 人工智能医学诊断的方式 14
1.2.3 人工智能技术对医学影像的影响 15
1.2.4 人工智能技术在医学影像领域的应用 17
1.3 深度学习医学影像应用 21
1.4 用于医学影像的其他人工智能算法 24
本章小结 26
习题1 26
第2章 编程基础 27
2.1 Python语言 28
2.1.1 Python语言简介 28
2.1.2 Python内置函数与标准库 28
2.2 Python中的NumPy 31
2.2.1 多维数组 32
2.2.2 随机数组 34
2.3 Python中的Matplotlib 35
2.3.1 创建线形图 35
2.3.2 创建其他图 38
2.4 PyTorch基础 41
2.4.1 PyTorch中的Tensor 41
2.4.2 搭建一个简易神经网络 47
2.4.3 自动梯度 49
2.4.4 模型搭建和参数优化 50
本章小结 57
习题2 57
第3章 医学影像处理 58
3.1 医学影像基础 59
3.1.1 图像像素、空间分辨率和亮度分辨率 59
3.1.2 数字图像类型 60
3.1.3 图像文件格式 61
3.2 医学影像类别 63
3.2.1 X射线图像 63
3.2.2 CT图像 65
3.2.3 MRI图像 67
3.2.4 超声图像 70
3.2.5 核素图像 71
3.2.6 OCTA图像 74
3.3 医学影像基本处理技术 75
3.3.1 医学影像的几何变换 75
3.3.2 医学影像的分割 77
3.3.3 医学影像的直方图增强 81
本章小结 85
习题3 86
第4章 卷积神经网络 88
4.1 卷积神经网络的组成 89
4.1.1 卷积层 89
4.1.2 池化层 90
4.1.3 激活函数 90
4.1.4 损失函数 93
4.2 经典的卷积神经网络 94
4.2.1 LeNet 94
4.2.2 AlexNet 95
4.2.3 VGGNet 96
4.2.4 GoogLeNet 98
4.2.5 ResNet 101
4.2.6 Xception 102
4.3 评价指标 103
4.3.1 错误率与准确率 103
4.3.2 查准率、查全率与F1分数 104
4.3.3 ROC与AUC 105
4.3.4 代价敏感错误率和代价曲线 107
本章小结 108
习题4 108

第2篇 实际应用篇
第5章 常见的医学影像任务 112
5.1 疾病诊断 113
5.1.1 常见的疾病诊断任务 113
5.1.2 常用的疾病诊断方法 115
5.2 医学影像检测 119
5.2.1 常见的医学影像检测任务 119
5.2.2 常用的医学影像检测方法 121
5.2.3 常用的医学影像检测性能指标 123
5.3 医学影像分割 124
5.3.1 常见的医学影像分割任务 124
5.3.2 常用的医学影像分割方法 125
5.3.3 常用的医学影像分割性能指标 131
本章小结 132
习题5 132
第3篇 案例篇
第6章 乳腺超声影像肿瘤良恶性诊断 136
6.1 案例介绍 137
6.1.1 乳腺癌的危害 137
6.1.2 乳腺超声影像的优势与缺陷 137
6.1.3 乳腺癌诊断方式 138
6.1.4 乳腺癌诊断的发展 139
6.2 高质量乳腺超声影像数据集 140
6.2.1 乳腺超声影像 140
6.2.2 超声影像标注 141
6.2.3 含噪声的超声影像恢复方法 142
6.2.4 数据集的构成分析 145
6.3 肿瘤良恶性诊断模型搭建 145
6.3.1 模型设计 145
6.3.2 算法实现 147
6.4 实验结果评价 154
本章小结 156
习题6 156
第7章 超声影像乳腺肿瘤检测 157
7.1 目标检测算法介绍 158
7.1.1 Faster R-CNN算法 158
7.1.2 SSD算法 160
7.1.3 YOLOV3算法 161
7.1.4 CornerNet算法 163
7.2 检测数据集制作流程（Pascal VOC格式） 165
7.2.1 Pascal VOC格式 165
7.2.2 数据集制作流程 170
7.3 评价指标与实现方法 171
7.4 乳腺肿瘤检测实验结果与分析 173
本章小结 178
习题7 179
第8章 基于OCTA图像的糖尿病诊断分析 180
8.1 案例介绍 181
8.2 OCTA数据介绍 181
8.2.1 OCTA图像介绍 181
8.2.2 数据集下载 183
8.2.3 数据预处理 183
8.3 OCTA糖尿病诊断算法 186
8.3.1 模型搭建 186
8.3.2 模型训练 195
8.4 OCTA糖尿病案例评价 197
本章小结 199
习题8 199
第9章 基于胸部CT的肺部疾病智能诊断 200
9.1 多种肺部疾病的影像学表现 201
9.2 案例介绍 210
9.3 建立肺CT医学影像数据集 211
9.3.1 数据采集 211
9.3.2 实验数据集的划分 213
9.3.3 病灶标注数据集的制作 214
9.3.4 读取数据集脚本的编写 215
9.4 肺CT医学影像分类网络的搭建 215
9.4.1 实验环境 215
9.4.2 模型搭建 216
9.4.3 神经网络训练验证 219
9.5 肺CT医学影像病灶识别网络 220
9.5.1 Faster R-CNN网络原理 220
9.5.2 Faster R-CNN框架搭建 224
9.6 实验结果评价 224
本章小结 229
习题9 229
参考文献 230