第 1章 人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用 1
1.1　人工智能概述 1
1.2　人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用 2
1.3　人工智能在醫(yī)學(xué)圖像方面的應(yīng)用 5
1.4　小結(jié) 6
1.5　參考資料 7

第 2章 醫(yī)學(xué)圖像數(shù)據(jù) 11
2.1　常見(jiàn)的醫(yī)學(xué)圖像數(shù)據(jù) 11
2.1.1　X線成像 11
2.1.2　X線計(jì)算機(jī)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(jiàn)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(jié) 25
2.4　參考資料 25

第3章 數(shù)據(jù)標(biāo)注 27
3.1　界面介紹 27
3.2　開(kāi)始標(biāo)注 31
3.3　小結(jié) 41
3.4　參考資料 41

第4章 醫(yī)學(xué)數(shù)字圖像處理 43
4.1　數(shù)據(jù)預(yù)處理 44
4.1.1　插值 44
4.1.2　重采樣 46
4.1.3　信號(hào)強(qiáng)度直方圖的分析與均衡化 48
4.1.4　數(shù)據(jù)歸一化 50
4.1.5　連通域分析 51
4.1.6　形態(tài)學(xué)方法 52
4.2　數(shù)據(jù)增強(qiáng) 55
4.2.1　常見(jiàn)的數(shù)據(jù)增強(qiáng)方法 55
4.2.2　彈性形變 56
4.2.3　基于TensorFlow的在線數(shù)據(jù)增強(qiáng) 57
4.3　小結(jié) 59
4.4　參考資料 59

第5章 醫(yī)學(xué)圖像分類(lèi) 61
5.1　損失函數(shù) 61
5.1.1　交叉熵?fù)p失 62
5.1.2　Focal損失 62
5.1.3　KL散度 63
5.2　評(píng)價(jià)指標(biāo) 64
5.2.1　混淆矩陣 64
5.2.2　常見(jiàn)的評(píng)價(jià)指標(biāo) 64
5.2.3　診斷性實(shí)驗(yàn)常用的評(píng)價(jià)指標(biāo) 67
5.2.4　衡量模型性能的評(píng)價(jià)指標(biāo) 67
5.3　經(jīng)典模型 68
5.3.1　跨層連接 69
5.3.2　網(wǎng)絡(luò)寬度 71
5.3.3　注意力機(jī)制 72
5.4　實(shí)戰(zhàn)：基于顱內(nèi)CT影像的腦出血分類(lèi)檢測(cè) 73
5.4.1　數(shù)據(jù)集預(yù)處理 74
5.4.2　模型訓(xùn)練 78
5.4.3　模型測(cè)試 84
5.4.4　基于顱內(nèi)CT影像的腦出血分類(lèi)檢測(cè)實(shí)戰(zhàn)總結(jié) 86
5.5　小結(jié) 86
5.6　參考資料 86

第6章 語(yǔ)義分割 89
6.1　損失函數(shù) 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(píng)價(jià)指標(biāo) 92
6.2.1　IoU 92
6.2.2　Dice系數(shù) 93
6.2.3　Hausdorff-95 93
6.3　其他統(tǒng)計(jì)方法 94
6.3.1　patient-level 94
6.3.2　data-level 94
6.4　經(jīng)典分割模型 95
6.4.1　UNet網(wǎng)絡(luò) 95
6.4.2　UNet變形 97
6.4.3　其他分割網(wǎng)絡(luò) 99
6.5　實(shí)戰(zhàn)：基于MRI影像的腦腫瘤分割 100
6.5.1　數(shù)據(jù)預(yù)處理 100
6.5.2　模型搭建 104
6.5.3　訓(xùn)練模型 108
6.5.4　模型測(cè)試 113
6.6　小結(jié) 114
6.7　參考資料 115

第7章 關(guān)鍵點(diǎn)檢測(cè) 117
7.1　概念與意義 117
7.2　常見(jiàn)的關(guān)鍵點(diǎn)檢測(cè)模型 118
7.3　實(shí)戰(zhàn)：血管關(guān)鍵點(diǎn)檢測(cè) 121
7.4　小結(jié) 130
7.5　參考資料 130

第8章 醫(yī)學(xué)圖像配準(zhǔn) 131
8.1　基礎(chǔ)知識(shí) 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(zhì)量評(píng)價(jià) 139
8.2　深度學(xué)習(xí)圖像配準(zhǔn)方法 140
8.2.1　有監(jiān)督學(xué)習(xí)圖像配準(zhǔn) 141
8.2.2　無(wú)監(jiān)督學(xué)習(xí)圖像配準(zhǔn) 142
8.3　實(shí)戰(zhàn)：深度學(xué)習(xí)圖像配準(zhǔn)模型VoxelMorph 142
8.3.1　數(shù)據(jù)讀取 143
8.3.2　網(wǎng)絡(luò)結(jié)構(gòu) 144
8.3.3　訓(xùn)練和測(cè)試 149
8.3.4　實(shí)戰(zhàn)總結(jié) 151
8.4　小結(jié) 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(chǔ)介紹 158
9.3.2　應(yīng)用場(chǎng)景 158
9.3.3　基本原理 159
9.4 實(shí)戰(zhàn)：顱內(nèi)出血CT影像分類(lèi)模型的量化 160
9.5　小結(jié) 163
9.6　參考資料 163

第 10章 遷移學(xué)習(xí) 165
10.1　遷移學(xué)習(xí) 165
10.2　終身學(xué)習(xí) 166
10.3　實(shí)戰(zhàn)：數(shù)據(jù)失衡的顱內(nèi)影像出血檢測(cè)優(yōu)化方法 167
10.3.1　遷移學(xué)習(xí)的實(shí)驗(yàn) 167
10.3.2　終身學(xué)習(xí)的實(shí)驗(yàn) 177
10.4　小結(jié) 184
10.5　參考資料 184