第 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

第 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

第3章 數據標注 27
3.1　界面介紹 27
3.2　開始標注 31
3.3　小結 41
3.4　參考資料 41

第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　重采樣 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　基于TensorFlow的在線數據增強 57
4.3　小結 59
4.4　參考資料 59

第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：基于顱內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　基于顱內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

第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系數 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：基于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

第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

第8章 醫學圖像配準 131
8.1　基礎知識 131
8.1.1　特征空間 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

第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

第 10章 遷移學習 165
10.1　遷移學習 165
10.2　終身學習 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　終身學習的實驗 177
10.4　小結 184
10.5　參考資料 184