幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習與醫學圖像處理/智能醫學與大數據系列

  • 作者：編者:梁隆愷//付鶴//陳峰蔚//劉亞歐//熊云云|責編:吳晉瑜
  • 出版社：人民郵電
  • ISBN：9787115611802
  • 出版日期：2023/06/01
  • 裝幀：平裝
  • 頁數：184
人民幣：RMB 89.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一本介紹「如何使用深度學習方法解決醫學圖像處理問題」的入門圖書。本書先介紹醫學圖像的基礎知識，包括醫學圖像數據、數據標注、醫學數字圖像處理和醫學圖像分類；其次介紹解決醫學圖像處理中常見的機器視覺任務（語義分割、關鍵點檢測和醫學圖像配准），並輔以實戰案例，幫助讀者深入理解相關技術原理，進而鞏固所學知識；最後介紹模型優化和遷移學習的相關內容，幫助讀者拓寬思路，提升其針對具體需求採用不同的解決方法的能力。
    本書適合醫工交叉專業以及從事醫學圖像處理工作的工程人員和科研人員閱讀，也可供智能醫學相關專業的高年級本科生及研究生參考。
    閱讀本書之前，讀者需要了解基本的深度學習知識，並有一定的Python編程基礎。
作者介紹
編者:梁隆愷//付鶴//陳峰蔚//劉亞歐//熊云云|責編:吳晉瑜
目錄
第1章  人工智慧在醫學領域的應用
  1.1  人工智慧概述
  1.2  人工智慧在醫學領域中的應用
  1.3  人工智慧在醫學圖像方面的應用
  1.4  小結
  1.5  參考資料
第2章  醫學圖像數據
  2.1  常見的醫學圖像數據
    2.1.1  X線成像
    2.1.2  X線電腦體層成像
    2.1.3  磁共振成像
    2.1.4  超聲成像
    2.1.5  心電圖
  2.2  常見的影像格式
    2.2.1  DICOM
    2.2.2  Analyze
    2.2.3  Nifti
    2.2.4  Minc
  2.3  小結
  2.4  參考資料
第3章  數據標注
  3.1  界面介紹
  3.2  開始標注
  3.3  小結
  3.4  參考資料
第4章  醫學數字圖像處理
  4.1  數據預處理
    4.1.1  插值
    4.1.2  重採樣
    4.1.3  信號強度直方圖的分析與均衡化
    4.1.4  數據歸一化
    4.1.5  連通域分析
    4.1.6  形態學方法
  4.2  數據增強
    4.2.1  常見的數據增強方法
    4.2.2  彈性形變
    4.2.3  基於TensorFlow的在線數據增強
  4.3  小結
  4.4  參考資料
第5章  醫學圖像分類
  5.1  損失函數
    5.1.1  交叉熵損失
    5.1.2  Focal損失
    5.1.3  KL散度
  5.2  評價指標
    5.2.1  混淆矩陣
    5.2.2  常見的評價指標
    5.2.3  診斷性實驗常用的評價指標
    5.2.4  衡量模型性能的評價指標
  5.3  經典模型

    5.3.1  跨層連接
    5.3.2  網路寬度
    5.3.3  注意力機制
  5.4  實戰：基於顱內CT影像的腦出血分類檢測
    5.4.1  數據集預處理
    5.4.2  模型訓練
    5.4.3  模型測試
    5.4.4  基於顱內CT影像的腦出血分類檢測實戰總結
  5.5  小結
  5.6  參考資料
第6章  語義分割
  6.1  損失函數
    6.1.1  Dice損失
    6.1.2  Tversky損失
    6.1.3  Boundary損失
    6.1.4  混合損失
  6.2  評價指標
    6.2.1  IoU
    6.2.2  Dice係數
    6.2.3  Hausdorff
  6.3  其他統計方法
    6.3.1  patient-level
    6.3.2  data-level
  6.4  經典分割模型
    6.4.1  UNet網路
    6.4.2  UNet變形
    6.4.3  其他分割網路
  6.5  實戰：基於MRI影像的腦腫瘤分割
    6.5.1  數據預處理
    6.5.2  模型搭建
    6.5.3  訓練模型
    6.5.4  模型測試
  6.6  小結
  6.7  參考資料
第7章  關鍵點檢測
  7.1  概念與意義
  7.2  常見的關鍵點檢測模型
  7.3  實戰：血管關鍵點檢測
  7.4  小結
  7.5  參考資料
第8章  醫學圖像配准
  8.1  基礎知識
    8.1.1  特徵空間
    8.1.2  搜索空間
    8.1.3  相似性度量
    8.1.4  搜索策略
    8.1.5  質量評價
  8.2  深度學習圖像配准方法
    8.2.1  有監督學習圖像配准
    8.2.2  無監督學習圖像配准

  8.3  實戰：深度學習圖像配准模型VoxelMorph
    8.3.1  數據讀取
    8.3.2  網路結構
    8.3.3  訓練和測試
    8.3.4  實戰總結
  8.4  小結
  8.5  參考資料
第9章  模型優化
  9.1  模型剪枝
    9.1.1  稀疏性概念
    9.1.2  剪枝策略
    9.1.3  敏感性分析
  9.2  模型量化
  9.3  TensorRT
    9.3.1  基礎介紹
    9.3.2  應用場景
    9.3.3  基本原理
  9.4  實戰：顱內出血CT影像分類模型的量化
  9.5  小結
  9.6  參考資料
第10章  遷移學習
  10.1  遷移學習
  10.2  終身學習
  10.3  實戰：數據失衡的顱內影像出血檢測優化方法
    10.3.1  遷移學習的實驗
    10.3.2  終身學習的實驗
  10.4  小結
  10.5  參考資料

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032