深度學習與醫學圖像處理

1章人工智能在醫學領域的應用1
1.1 人工智能概述1
1.2 人工智能在醫學領域中的應用2
1.3 人工智能在醫學圖像方面的應用5
1.4 小結6
1.5 參考資料7

2章醫學圖像數據11
2.1 常見的醫學圖像數據11
2.1.1 X線成像11
2.1.2 X線計算機體層成像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25
2.4 參考資料25

3章數據標註27
3.1 界面介紹27
3.2 開始標註31
3.3 小結41
3.4 參考資料41

4章醫學數字圖像處理43
4.1 數據預處理44
4.1.1 插值44
4.1.2 重採樣46
4.1.3 信號強度直方圖的分析與均衡化48
4.1.4 數據歸一化50
4.1.5 連通域分析51
4.1.6 形態學方法52
4.2 數據增強55
4.2.1 常見的數據增強方法55
4.2.2 彈性形變56
4.2.3 基於TensorFlow的在線數據增強57
4.3 小結59
4.4 參考資料59

5章醫學圖像分類61
5.1 損失函數61
5.1.1 交叉熵損失62
5.1.2 Focal損失62
5.1.3 KL散度63
5.2 評價指標64
5.2.1 混淆矩陣64
5.2.2 常見的評價指標64
5.2.3 診斷性實驗常用的評價指標67
5.2.4 衡量模型性能的評價指標67
5.3 經典模型68
5.3.1 跨層連接69
5.3.2 網絡寬度71
5.3.3 注意力機制72
5.4 實戰：基於顱內CT影像的腦出血分類檢測73
5.4.1 數據集預處理74
5.4.2 模型訓練78
5.4.3 模型測試84
5.4.4 基於顱內CT影像的腦出血分類檢測實戰總結86
5.5 小結86
5.6 參考資料86

6章語義分割89
6.1 損失函數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 評價指標92
6.2.1 IoU 92
6.2.2 Dice係數93
6.2.3 Hausdorff-95 93
6.3 其他統計方法94
6.3.1 patient-level 94
6.3.2 data-level 94
6.4 經典分割模型95
6.4.1 UNet網絡95
6.4.2 UNet變形97
6.4.3 其他分割網絡99
6.5 實戰：基於MRI影像的腦腫瘤分割100
6.5.1 數據預處理100
6.5.2 模型搭建104
6.5.3 訓練模型108
6.5.4 模型測試113
6.6 小結114
6.7 參考資料115

7章關鍵點檢測117
7.1 概念與意義117
7.2 常見的關鍵點檢測模型118
7.3 實戰：血管關鍵點檢測121
7.4 小結130
7.5 參考資料130

8章醫學圖像配準131
8.1 基礎知識131
8.1.1 特徵空間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 質量評價139
8.2 深度學習圖像配準方法140
8.2.1 有監督學習圖像配準141
8.2.2 無監督學習圖像配準142
8.3 實戰：深度學習圖像配準模型VoxelMorph 142
8.3.1 數據讀取143
8.3.2 網絡結構144
8.3.3 訓練和測試149
8.3.4 實戰總結151
8.4 小結151
8.5 參考資料152

9章模型優化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 基礎介紹158
9.3.2 應用場景158
9.3.3 基本原理159
9.4 實戰：顱內出血CT影像分類模型的量化160
9.5 小結163
9.6 參考資料163

10章遷移學習165
10.1 遷移學習165
10.2 身學習166
10.3 實戰：數據失衡的顱內影像出血檢測優化方法167
10.3.1 遷移學習的實驗167
10.3.2 身學習的實驗177
10.4 小結184
10.5 參考資料184