深度學習醫學圖像處理(精)

張光磊 羅建文 張冀聰

深度學習醫學圖像處理(精)

相關主題

商品描述

本書系統介紹深度學習在醫學圖像領域的核心理論與應用實踐。內容從醫學圖像基礎與深度學習原理入手,逐步深入解析分類、檢測、分割與生成等關鍵技術,並構建完整的技術應用框架。書中融合前沿研究成果與典型實踐案例,清晰展現如何利用深度學習技術解決醫學圖像處理中的實際問題,並探討其在臨床實踐中的轉化路徑。 全書註重前沿性、系統性、實用性和專業性,兼顧學術深度與實踐指導,通過詳細的算法解讀、實現步驟與評估方法,幫助讀者紮實掌握核心技術與應用能力。 本書適合生物醫學工程、計算機科學等相關專業的師生、研究人員,以及醫療行業的技術人員閱讀參考。

目錄大綱

第1章 緒論
1.1 深度學習概述
1.2 深度學習醫學圖像處理特點及應用場景
1.2.1 深度學習醫學圖像處理特點
1.2.2 深度學習醫學圖像應用場景
第2章 醫學圖像基礎知識
2.1 常見醫學圖像類型
2.1.1 X射線圖像
2.1.2 CT圖像
2.1.3 磁共振圖像
2.1.4 超聲圖像
2.1.5 ECT圖像
2.1.6 病理切片圖像
2.2 常見醫學圖像格式
2.2.1 DICOM
2.2.2 Analyze
2.2.3 NIfTI
2.2.4 NRRD
2.2.5 其他常用數字圖片格式
2.3 常用醫學圖像開源軟件
2.3.1 ITK-SNAP
2.3.2 3D Slicer
2.4 醫學圖像處理流程
2.5 醫學圖像預處理技術
2.5.1 傳統圖像處理算法及其應用
2.5.2 常用圖像去噪處理和深度學習方法及其應用
2.5.3 圖像數據增強技術
第3章 深度學習基礎知識
3.1 線性回歸模型
3.2 神經網絡組成
3.2.1 神經元模型
3.2.2 神經網絡結構
3.3 多層感知器
3.3.1 多層感知器結構
3.3.2 模型訓練
3.4 欠擬合與過擬合
3.5 常用數據增強方法
3.6 卷積神經網絡
3.6.1 卷積層
3.6.2 池化層
3.6.3 激活層
3.6.4 全連接層
3.7 註意力機制
3.7.1 軟註意力機制
3.7.2 自註意力機制
第4章 深度學習之醫學圖像分類
4.1 常用的損失函數
4.2 分類評價指標
4.3 卷積神經網絡經典模型
4.3.1 VGG
4.3.2 ResNet
4.3.3 Inception
4.3.4 MobileNet
4.3.5 EfficientNet
4.4 Transformer系列網絡
4.4.1 Vision Transformer
4.4.2 Swin Transformer
4.5 遷移學習
4.6 深度學習圖像分類實戰：白細胞分類
第5章 深度學習之醫學圖像檢測
5.1 目標檢測的基本概念
5.2 兩階段目標檢測
5.2.1 R-CNN
5.2.2 SPP-Net
5.2.3 Fast R-CNN
5.2.4 Faster R-CNN
5.3 單階段目標檢測
5.3.1 單發多框檢測模型(SSD)
5.3.2 YOLO v1
5.3.3 YOLO v3
5.3.4 YOLO v5
5.3.5 YOLO v10
5.4 深度學習圖像檢測實戰：骨齡檢測(X-ray)
第6章 深度學習之醫學圖像分割
6.1 醫學圖像分割概述
6.1.1 圖像分割
6.1.2 醫學圖像分割任務及臨床應用
6.1.3 醫學圖像分割的研究特點
6.2 醫學圖像分割常用損失函數
6.3 醫學圖像分割的評價指標
6.3.1 Dice分數/系數
6.3.2 交並比
6.3.3 敏感性、召回率和特異性
6.3.4 豪斯多夫距離(HD)
6.4 醫學圖像分割的傳統方法
6.4.1 基於邊緣檢測的分割方法
6.4.2 基於閾值的分割方法
6.4.3 基於區域的分割方法
6.4.4 基於聚類算法的分割方法
6.5 醫學圖像分割深度學習方法
6.5.1 FCN
6.5.2 U-Net
6.5.3 FPN
6.5.4 R-CNN
6.5.5 RNN
6.5.6 基於Attention的模型
6.5.7 生成對抗網絡(GAN)
6.6 深度學習圖像分割實戰案例1：肝臟分割
6.7 深度學習圖像分割實戰案例2：乳腺超聲圖像分割
第7章 深度學習之醫學圖像生成
7.1 生成式人工智能模型
7.1.1 生成式模型基礎
7.1.2 玻耳茲曼機
7.1.3 變分自編碼器
7.1.4 生成對抗網絡
7.1.5 擴散概率模型
7.2 基於生成式人工智能與醫學圖像融合的研究和探索
7.2.1 醫學圖像生成
7.2.2 醫學圖像分割
7.2.3 醫學圖像重建
7.2.4 醫學圖像轉換
7.3 深度學習圖像生成實戰：基於Diffusion的醫學圖像生成
後記

類似商品

最後瀏覽商品 (1)