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卷積神經網絡

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醫學影像的標注

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基於指標體繫的性能評價

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

5.2.1Twostage方案

5.2.2Onestage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醫學影像的標注

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基於指標體繫的性能評價

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醫學影像數據的標注

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基於指標體繫的性能評價

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心髒MRI的分割

案例6超聲心動圖的分割

2016年，谷歌人工智能圍棋程序AlphaGo以絕對優勢戰勝人類圍棋世界冠軍李世石，開創了人工智能裡程碑式的成功，其背後的深度學習技術功不可沒。2022年，深度學習再次發力，被稱為史上最會聊天的機器人ChatGPT橫空出世，人工智能領域的競爭進入白熱化。作為人工智能最活躍的一個分支，深度學習在醫學領域的應用也取得了巨大成功，在臨床輔助診斷方面顯示出良好的應用前景，一度引發了深度學習是否會代替臨床醫生的討論熱潮。目前普遍認為，深度學習在一段相當長的時間內將作為一種高效的輔助手段協助醫生進行疾病診斷，主要目的是提高臨床診斷的效率，減少漏診率。醫學影像深度學習已經成為一個重要的研究方向，越來越多的研究生在這個方向上進行科研選題。目前，深度學習領域已經出版了一繫列教材和參考書，但極少針對醫學影像處理。醫學影像作為臨床疾病診斷的重要依據之一，利用深度學習技術對其進行分析和處理具有較強的專業性、復雜性和挑戰性。本書圍繞醫學影像深度學習展開論述，在內容設計上重點考慮醫學影像分類、目標檢測和分割三大基本任務，分別探討每種任務的具體實施過程以及需要注意的問題，力求幫助學習者更好、更快地跨入醫學影像深度學習的大門。

本書重點闡述如何完成醫學影像深度學習任務，而非深度學習技術本身。因此，對於具體的深度學習網絡，本書並沒有展開講解，讀者可以參考其他相關出版物進行學習。全書共分為七章，第1章主要介紹人工智能與深度學習的基本概念和發展歷程，並簡要給出深度學習在醫學影像處理中的研究進展； 第2章主要介紹各種醫學成像技術的基本原理、影像特點和臨床應用； 第3章主要介紹如何搭建一個深度學習環境； 第4~6章分別圍繞醫學影像分類、目標檢測和分割三大基本任務展開講解，指出每種任務的基本概念和臨床意義，介紹典型的深度神經網絡，闡述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做法； 第7章主要介紹醫學影像深度學習領域常用的公開數據集，並探討公開數據集的優勢、不足以及使用過程中需要注意的問題。

除了上述內容，針對醫學影像分類、目標檢測和分割三大基本任務，本書給出六個案例及相應的源代碼。這些案例形像、直觀地展示如何利用公開數據集開展醫學影像深度學習方面的研究。為了便於讀者自主學習，每章均配有課件和視頻，掃描目錄上方的二維碼，即可下載教學大綱和PPT課件； 掃描各章首頁的二維碼，即可觀看教學視頻； 掃描案例首頁的二維碼，即可下載源代碼和數據集。

本書在寫作過程中得到生物醫學工程與影像醫學繫吳毅教授、寧旭副教授和何密副教授的傾力指導。西南醫院的陳偉教授、胡榮教授、胡厚源教授、陳光興教授、劉晨副教授、華興副教授，新橋醫院的張鼕教授、孫建國教授、熊希副教授，大坪醫院的陳東風教授、魏艷玲副教授、劉凱軍副教授、熊雁副教授、劉莛副教授，重慶市人民醫院的袁偉教授，預防醫學繫的伍亞舟教授，基礎醫學院的李紅麗教授為本書撰寫提出了寶貴建議。陳明生、劉麗、李晨、王顯棋、龔渝順、馬建川、馮陽陽、劉晶、劉靜靜、陳娜、張小勤、範衛傑、李穎、劉紅軍等參與了書稿的校對工作，碩士研究生陳子航、侯思宇、彭琦以及科研助理楊毅完成了部分插圖的繪制工作。此外，本書的編寫得到了生物醫學工程與影像醫學繫董世武主任、王源協理員、鐘華副主任和張珠副主任的關心和支持，清華大學出版社的編輯與編者進行了充分溝通，提出了許多寶貴的意見和建議，在此一並致以誠摯的謝意。

本書可面向高等醫科院校相關專業的高年級本科生和研究生，也可用於其他高等院校醫學相關專業的高年級本科生和研究生。由於深度學習技術的發展日新月異，加之編者本身學識有限，書中難免出現錯誤和不妥之處，懇請廣大讀者批評指正。

編者重慶陸軍軍醫大學2023年6月