深度学习与医学图像处理

1.医学与工程学的精彩结合，详细介绍如何使用深度学习方法解决医学图像处理的问题。 2.首都医科大学附属北京天坛医院国家神经系统疾病临床医学研究中心团队编写，院长王拥军作序推荐。 3.内容丰富实用。涵盖了目前该领域各个应用方向的相关模型和关键技术，包括Transformer、BERT、GPT等。 4.配套示例代码，可运行，实操性好，语言通俗易懂，适合作为入门自然语言处理的参考书，也可供从事该领域工作的专业人士作为实践指南。 5.详解医疗项目中真实的实战案例，易学易用。汇集众多论文中的重要思想和研究成果，梳理自然语言处理技术发展脉络，更好地了解该领域的发展趋势。

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。

梁隆恺，哈尔滨理工大学计算机科学与技术专业硕士，昌平国家实验室脑科学与类脑研究部门高级算法工程师，国家神经系统疾病临床医学研究中心人工智能研发项目组特聘高级算法工程师。 付鹤，北京航空航天大学机器人技术专业硕士，国家神经系统疾病临床医学研究中心人工智能研发项目组特聘高级算法工程师，中国人民解放军总医院技术顾问，Biomind 人工智能部算法总监。 陈峰蔚，大连理工大学硕士，昌平国家实验室脑科学与类脑研究部门算法工程师，国家神经系统疾病临床医学研究中心人工智能研发项目组特聘算法工程师。 刘亚欧，首都医科大学附属北京天坛医院党委委员、放射科（国家临床重点专科）学科带头人、主任医师、教授、博士生导师。 熊云云，毕业于复旦大学临床医学七年制专业（本硕），香港中文大学博士、博士后，哈佛大学访问研究员。现任首都医科大学附属北京天坛医院神经病学中心主任医师、副教授、硕士研究生导师、血管神经病学科副主任。

第1章 人工智能在医学领域的应用 1
1.1 人工智能概述 1
1.2 人工智能在医学领域中的应用 2
1.3 人工智能在医学图像方面的应用 5
1.4 小结 6
1.5 参考资料 7

第2章 医学图像数据 11
2.1 常见的医学图像数据 11
2.1.1 X线成像 11
2.1.2 X线计算机体层成像 12
2.1.3 磁共振成像 13
2.1.4 超声成像 16
2.1.5 心电图 17
2.2 常见的影像格式 18
2.2.1 DICOM 18
2.2.2 Analyze 23
2.2.3 Nifti 24
2.2.4 Minc 25
2.3 小结 25
2.4 参考资料 25

第3章 数据标注 27
3.1 界面介绍 27
3.2 开始标注 31
3.3 小结 41
3.4 参考资料 41

第4章 医学数字图像处理 43
4.1 数据预处理 44
4.1.1 插值 44
4.1.2 重采样 46
4.1.3 信号强度直方图的分析与均衡化 48
4.1.4 数据归一化 50
4.1.5 连通域分析 51
4.1.6 形态学方法 52
4.2 数据增强 55
4.2.1 常见的数据增强方法 55
4.2.2 弹性形变 56
4.2.3 基于TensorFlow的在线数据增强 57
4.3 小结 59
4.4 参考资料 59

第5章 医学图像分类 61
5.1 损失函数 61
5.1.1 交叉熵损失 62
5.1.2 Focal损失 62
5.1.3 KL散度 63
5.2 评价指标 64
5.2.1 混淆矩阵 64
5.2.2 常见的评价指标 64
5.2.3 诊断性实验常用的评价指标 67
5.2.4 衡量模型性能的评价指标 67
5.3 经典模型 68
5.3.1 跨层连接 69
5.3.2 网络宽度 71
5.3.3 注意力机制 72
5.4 实战：基于颅内CT影像的脑出血分类检测 73
5.4.1 数据集预处理 74
5.4.2 模型训练 78
5.4.3 模型测试 84
5.4.4 基于颅内CT影像的脑出血分类检测实战总结 86
5.5 小结 86
5.6 参考资料 86

第6章 语义分割 89
6.1 损失函数 89
6.1.1 Dice损失 90
6.1.2 Tversky损失 90
6.1.3 Boundary损失 91
6.1.4 混合损失 91
6.2 评价指标 92
6.2.1 IoU 92
6.2.2 Dice系数 93
6.2.3 Hausdorff-95 93
6.3 其他统计方法 94
6.3.1 patient-level 94
6.3.2 data-level 94
6.4 经典分割模型 95
6.4.1 UNet网络 95
6.4.2 UNet变形 97
6.4.3 其他分割网络 99
6.5 实战：基于MRI影像的脑肿瘤分割 100
6.5.1 数据预处理 100
6.5.2 模型搭建 104
6.5.3 训练模型 108
6.5.4 模型测试 113
6.6 小结 114
6.7 参考资料 115

第7章 关键点检测 117
7.1 概念与意义 117
7.2 常见的关键点检测模型 118
7.3 实战：血管关键点检测 121
7.4 小结 130
7.5 参考资料 130

第8章 医学图像配准 131
8.1 基础知识 131
8.1.1 特征空间 132
8.1.2 搜索空间 132
8.1.3 相似性度量 136
8.1.4 搜索策略 138
8.1.5 质量评价 139
8.2 深度学习图像配准方法 140
8.2.1 有监督学习图像配准 141
8.2.2 无监督学习图像配准 142
8.3 实战：深度学习图像配准模型VoxelMorph 142
8.3.1 数据读取 143
8.3.2 网络结构 144
8.3.3 训练和测试 149
8.3.4 实战总结 151
8.4 小结 151
8.5 参考资料 152

第9章 模型优化 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 基础介绍 158
9.3.2 应用场景 158
9.3.3 基本原理 159
9.4 实战：颅内出血CT影像分类模型的量化 160
9.5 小结 163
9.6 参考资料 163

第10章 迁移学习 165
10.1 迁移学习 165
10.2 终身学习 166
10.3 实战：数据失衡的颅内影像出血检测优化方法 167
10.3.1 迁移学习的实验 167
10.3.2 终身学习的实验 177
10.4 小结 184
10.5 参考资料 184