醫學影像深度學習
粘永健 主編，肖晶晶 戚婧 副主編
- 出版商: 清華大學
- 出版日期: 2023-07-01
- 售價: $354
- 貴賓價: 9.5 折 $336
- 語言: 簡體中文
- 頁數: 155
- 裝訂: 平裝
- ISBN: 7302635552
- ISBN-13: 9787302635550
-
相關分類:
DeepLearning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
通訊系統與原理$760$745 -
OpenCV 3 學習手冊 (Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library)$1,200$948 -
$398群體智能與仿生計算：Matlab 技術實現, 2/e -
Visual C# 網路程式設計 － 線上遊戲實作$500$390 -
通訊系統 -- 類比與數位, 2/e (Haykin: Introduction to Analog and Digital Communications, 2/e)$740$725 -
影像辨識實務應用 -- 使用 C#$500$390 -
$305臨床大數據分析與挖掘——基於Python和機器學習的臨床決策 -
C# 程式設計從入門到專業 (上)：完全剖析 C# 技術實務$680$530 -
C# 程式設計從入門到專業 (下)：職場 C# 進階應用技術$600$468 -
機器學習：彩色圖解 + 基礎微積分 + Python 實作 -- 王者歸來 (全彩)$680$537 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$850 -
機器學習：彩色圖解 + 基礎數學篇 + Python 實作 -- 王者歸來, 2/e$680$537 -
$505神經反饋原理與實踐 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
$509人工智能算法大全 :基於 MATLAB -
打下最紮實 AI 基礎不依賴套件：手刻機器學習神經網路穩健前進$1,200$948 -
Keras 大神歸位：深度學習全面進化！用 Python 實作 CNN、RNN、GRU、LSTM、GAN、VAE、Transformer$1,200$1,020 -
$458Python算法的奇妙之旅 -
PyTorch 深度學習入門與應用：必備實作知識與工具一本就學會$600$468 -
Python + OpenCV — 機器學習 + 深度學習 40大電腦視覺案例入門到實戰$1,200$948 -
Python 圖像處理與採集, 2/e$474$450 -
深度學習與醫學圖像處理$539$512 -
$484電腦病毒技術及其防禦 -
GPT5 新時代 - 多模態深度學習精實操練$680$537 -
機器視覺偵測與辨識技術及應用 基於深度學習$479$455
相關主題
商品描述
本書首先簡要介紹人工智能與深度學習的發展歷程與應用、臨床各種成像以及深度學習環境；然後重點圍繞醫學影像分類、目標檢測與分割三大基本任務展開講解，闡述每種任務的基本概念與臨床意義，介紹典型的深度神經網絡，給出醫學影像數據集的構建、網絡的訓練、測試以及性能評價方面的具體方法；最後介紹醫學影像深度學習領域常用的公開數據集。此外，針對三大基本任務給出六個案例。本書可作為高等醫科院校或高等院校醫學相關專業高年級本科生和研究生的教材或參考書，也可供相關領域的科研人員、工程技術人員參考。
目錄大綱
目錄
大綱+課件
第1章人工智能之深度學習
1.1人工智能簡介
1.1.1基本概念
1.1.2發展歷程
1.2深度學習簡介
1.3深度學習在醫學影像處理中的應用
1.4本章小結
參考文獻
第2章醫學成像簡介
2.1X射線成像
2.1.1成像原理
2.1.2影像特點
2.1.3臨床應用
2.2CT成像
2.2.1成像原理
2.2.2影像特點
2.2.3臨床應用
2.3MRI成像
2.3.1成像原理
2.3.2影像特點
2.3.3臨床應用
2.4超聲成像
2.4.1成像原理
2.4.2影像特點
2.4.3臨床應用
2.5醫療內窺鏡成像
2.5.1成像原理
2.5.2影像特點
2.5.3臨床應用
2.6數字病理成像
2.6.1成像原理
2.6.2影像特點
2.6.3臨床應用
2.7本章小結
參考文獻
第3章深度學習環境
3.1編程語言和環境
3.1.1編程語言
3.1.2編程環境
3.2深度學習框架
3.3PyTorch深度學習環境的搭建
3.4本章小結
參考文獻
第4章基於深度學習的醫學影像分類
4.1引言
4.2捲積神經網絡
4.3面向分類的深度神經網絡
4.4臨床選題
4.5醫學影像數據集的構建
4.5.1醫學影像的收集
4.5.2醫學影像的標註
4.6網絡的訓練和測試
4.6.1數據集的劃分
4.6.2數據預處理
4.6.3分類網絡的選擇
4.6.4損失函數和優化方式
4.6.5網絡超參數的調整
4.6.6欠擬合和過擬合
4.7分類性能的評價
4.7.1基於指標體系的性能評價
4.7.2基於人機對比的性能評價
4.7.3基於壓力測試的性能評價
4.7.4類激活映射圖
4.8本章小結
參考文獻
第5章基於深度學習的醫學影像目標檢測
5.1引言
5.2面向目標檢測的深度神經網絡
5.2.1Twostage方案
5.2.2Onestage方案
5.3臨床選題
5.4醫學影像數據集的構建
5.4.1醫學影像的收集
5.4.2醫學影像的標註
5.5網絡的訓練和測試
5.5.1數據集的劃分
5.5.2數據預處理
5.5.3目標檢測網絡的選擇
5.5.4損失函數和優化方式
5.5.5網絡超參數的調整
5.6目標檢測性能的評價
5.6.1基於指標體系的性能評價
5.6.2基於人機對比的性能評價
5.6.3基於壓力測試的性能評價
5.7本章小結
參考文獻
第6章基於深度學習的醫學影像分割
6.1引言
6.2面向分割的深度神經網絡
6.3臨床選題
6.4醫學影像數據集的構建
6.4.1醫學影像數據的收集
6.4.2醫學影像數據的標註
6.5網絡的訓練和測試
6.5.1數據集的劃分
6.5.2數據集的預處理
6.5.3分割網絡的選取
6.5.4損失函數和優化方式
6.5.5網絡超參數的調整
6.6分割性能的評價
6.6.1基於指標體系的性能評價
6.6.2基於實際應用的性能評價
6.7本章小結
參考文獻
第7章醫學影像公開數據集
7.1引言
7.2面向分類的公開數據集
7.3面向目標檢測的公開數據集
7.4面向分割的公開數據集
7.5公開數據集的優勢和不足
7.6本章小結
參考文獻
案例篇
案例1乳腺腫瘤良惡性的識別
案例2新型冠狀病毒感染的識別
案例3心影增大的檢測
案例4紅細胞的檢測
案例5心臟MRI的分割
案例6超聲心動圖的分割
