书籍详情
智能医疗影像技术
作者：莫宏伟
出版社：电子工业出版社
出版时间：2023-01-01
ISBN：9787121449772
定价：¥59.80
购买这本书可以去
内容简介
本书主要介绍医学影像处理的基本技术与实现方法，以医学影像智能诊断方法为主，涉及数字信号处理、统计学、机器学习等理论和技术。全书共分为9章：第1章介绍智慧医疗的概念、人工智能与医学影像诊断、深度学习医学影像应用与用于医学影像的其他人工智能算法；第2章～第3章介绍人工智能医学影像诊断的基础知识，包括编程基础与各种医学影像介绍，还详细介绍医学影像的基本处理方法；第4章～第5章介绍卷积神经网络基础知识与医学影像任务，包括多种卷积神经网络与神经网络模型的评价标准、常见的医学影像任务（医学影像诊断、检测、分割）；第6章～第9章介绍智能医学影像处理实际案例，包括乳腺超声影像中的乳腺肿瘤检测与良恶性诊断、眼科OCTA图像诊断糖尿病、肺CT图像中的肺部多种疾病诊断。本书可以作为计算机科学与技术、电子科学与技术、控制工程与科学、智能科学与技术等理工科及相关专业的高等院校本科教材，也可以作为研究生教材，并适合从事医学影像处理、人工智能等研究的科研人员和爱好者参考使用。
作者简介
莫宏伟，工学博士，教授，博士生导师。1996年7月-2001年8月，哈尔滨工程大学自动化学院，助教，团委书记，辅导员；2001年9月-2003年8月，哈尔滨工程大学自动化学院，讲师；2003年9月-2004年9月，美国加州大学戴维斯分校访问学者；2004年10月-2007年8月，哈尔滨工程大学自动化学院，副教授；2005年9月-2007年12月，哈尔滨工业大学计算机科学与技术学院，博士后；2007年9月-至今，哈尔滨工程大学自动化学院，教授。参加的学术组织及任职情况：黑龙江省多学科协同人工智能重点实验室主任。中国人工智能学会自然计算与数字城市专业委员会（发起人）副主任，中国人工智能学会智能空天系统专委会常务委员，中国人工智能学会智能医疗专业委员会委员，全国高校人工智能与大数据创新联盟副理事长，黑龙江省高等教育学会人工智能教育专业委员会创始人、理事长，黑龙江省人工智能学会秘书长（2007-2019），黑龙江省生物医学工程学会理事。黑龙江省医师协会智慧医疗分会理事。国际期刊Research of Information Technology、International Journal of Swarm Intelligence Research、International Journal of Robotics and Automation Technology、《电子学报》、《导航与授时》编委。IEEE Tran on Industrial Informatics 2018 专刊《医疗卫生中的大数据处理》副主编。Journal of Big Data Research主编。获得的个人荣誉和集体荣誉：黑龙江省杰出青年科学基金获得者。全国高校人工智能与大数据创新联盟人工智能教育"个人创新奖”。哈尔滨工程大学"人工智能导论”精品在线课程负责人。智慧树"2021年双一流高校学科建设精品课程”人工智能导论负责人。省级一流课程负责人。出版的主要著作：《人工免疫系统》，科学出版社，2009；《Handbook of Research on Artificial Immune Systems and Natural Computing： Applying Complex Adaptive Technologies》，IGI Global，USA，2009；《免疫调度原理与应用》，科学出版社，2013；《自然计算》，科学出版社，2016；《磁性细菌优化算法》，科学出版社，2017；《人工智能导论》，人民邮电出版社，2020；《深度学习》，人民邮电出版社，2020。所承担的重点科研项目：1.2013年1月-2015年12月，基于蜂群智能的无人机集群协同飞行控制策略研究，黑龙江省杰出青年科学基金，负责人；2.2014年1月-2016年9月，脑机接口控制机器人，总装预研，负责人；3.2014年1月-2016年6月，桥梁检测无人机，横向，负责人；4.2018.9-2018.12 智能手术导航系统，横向，负责人；5.2019.1-2021.12 智能光谱识别系统，横向，负责人；6.2019.9-2019.12 人工智能疾病分析系统，横向，负责人；7.2020.1-2022.12 海陆空智能无人系统-火星车目标跟踪系统，科技部国家重点研发计划，课题分项目负责人；8.2021.1-2022.12 认知智能移动机器人平台研究，横向，负责人；9 基于自然语言处理的领域本体系统构建，装发预研，负责人。教学成果获奖情况：智慧树2021年高校思政精品课程卓越奖（个人），智慧树"2021年双一流高校学科建设精品课程”，省级线上一流课程。
目录
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
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
猜您喜欢
