深度学习与医学图像处理

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