第1篇 概念篇__eol__第1章 绪论 2__eol__1.1 智慧医疗的概念 3__eol__1.1.1 什么是智慧医疗 3__eol__1.1.2 为什么需要智慧医疗 5__eol__1.1.3 智慧医疗简史 6__eol__1.1.4 智慧医疗发展愿景 8__eol__1.2 人工智能与医学影像诊断 11__eol__1.2.1 医学影像研究方法 11__eol__1.2.2 人工智能医学诊断的方式 14__eol__1.2.3 人工智能技术对医学影像的影响 15__eol__1.2.4 人工智能技术在医学影像领域的应用 17__eol__1.3 深度学习医学影像应用 21__eol__1.4 用于医学影像的其他人工智能算法 24__eol__本章小结 26__eol__习题1 26__eol__第2章 编程基础 27__eol__2.1 Python语言 28__eol__2.1.1 Python语言简介 28__eol__2.1.2 Python内置函数与标准库 28__eol__2.2 Python中的NumPy 31__eol__2.2.1 多维数组 32__eol__2.2.2 随机数组 34__eol__2.3 Python中的Matplotlib 35__eol__2.3.1 创建线形图 35__eol__2.3.2 创建其他图 38__eol__2.4 PyTorch基础 41__eol__2.4.1 PyTorch中的Tensor 41__eol__2.4.2 搭建一个简易神经网络 47__eol__2.4.3 自动梯度 49__eol__2.4.4 模型搭建和参数优化 50__eol__本章小结 57__eol__习题2 57__eol__第3章 医学影像处理 58__eol__3.1 医学影像基础 59__eol__3.1.1 图像像素、空间分辨率和亮度分辨率 59__eol__3.1.2 数字图像类型 60__eol__3.1.3 图像文件格式 61__eol__3.2 医学影像类别 63__eol__3.2.1 X射线图像 63__eol__3.2.2 CT图像 65__eol__3.2.3 MRI图像 67__eol__3.2.4 超声图像 70__eol__3.2.5 核素图像 71__eol__3.2.6 OCTA图像 74__eol__3.3 医学影像基本处理技术 75__eol__3.3.1 医学影像的几何变换 75__eol__3.3.2 医学影像的分割 77__eol__3.3.3 医学影像的直方图增强 81__eol__本章小结 85__eol__习题3 86__eol__第4章 卷积神经网络 88__eol__4.1 卷积神经网络的组成 89__eol__4.1.1 卷积层 89__eol__4.1.2 池化层 90__eol__4.1.3 激活函数 90__eol__4.1.4 损失函数 93__eol__4.2 经典的卷积神经网络 94__eol__4.2.1 LeNet 94__eol__4.2.2 AlexNet 95__eol__4.2.3 VGGNet 96__eol__4.2.4 GoogLeNet 98__eol__4.2.5 ResNet 101__eol__4.2.6 Xception 102__eol__4.3 评价指标 103__eol__4.3.1 错误率与准确率 103__eol__4.3.2 查准率、查全率与F1分数 104__eol__4.3.3 ROC与AUC 105__eol__4.3.4 代价敏感错误率和代价曲线 107__eol__本章小结 108__eol__习题4 108__eol____eol__第2篇 实际应用篇__eol__第5章 常见的医学影像任务 112__eol__5.1 疾病诊断 113__eol__5.1.1 常见的疾病诊断任务 113__eol__5.1.2 常用的疾病诊断方法 115__eol__5.2 医学影像检测 119__eol__5.2.1 常见的医学影像检测任务 119__eol__5.2.2 常用的医学影像检测方法 121__eol__5.2.3 常用的医学影像检测性能指标 123__eol__5.3 医学影像分割 124__eol__5.3.1 常见的医学影像分割任务 124__eol__5.3.2 常用的医学影像分割方法 125__eol__5.3.3 常用的医学影像分割性能指标 131__eol__本章小结 132__eol__习题5 132__eol__第3篇 案例篇__eol__第6章 乳腺超声影像肿瘤良恶性诊断 136__eol__6.1 案例介绍 137__eol__6.1.1 乳腺癌的危害 137__eol__6.1.2 乳腺超声影像的优势与缺陷 137__eol__6.1.3 乳腺癌诊断方式 138__eol__6.1.4 乳腺癌诊断的发展 139__eol__6.2 高质量乳腺超声影像数据集 140__eol__6.2.1 乳腺超声影像 140__eol__6.2.2 超声影像标注 141__eol__6.2.3 含噪声的超声影像恢复方法 142__eol__6.2.4 数据集的构成分析 145__eol__6.3 肿瘤良恶性诊断模型搭建 145__eol__6.3.1 模型设计 145__eol__6.3.2 算法实现 147__eol__6.4 实验结果评价 154__eol__本章小结 156__eol__习题6 156__eol__第7章 超声影像乳腺肿瘤检测 157__eol__7.1 目标检测算法介绍 158__eol__7.1.1 Faster R-CNN算法 158__eol__7.1.2 SSD算法 160__eol__7.1.3 YOLOV3算法 161__eol__7.1.4 CornerNet算法 163__eol__7.2 检测数据集制作流程（Pascal VOC格式） 165__eol__7.2.1 Pascal VOC格式 165__eol__7.2.2 数据集制作流程 170__eol__7.3 评价指标与实现方法 171__eol__7.4 乳腺肿瘤检测实验结果与分析 173__eol__本章小结 178__eol__习题7 179__eol__第8章 基于OCTA图像的糖尿病诊断分析 180__eol__8.1 案例介绍 181__eol__8.2 OCTA数据介绍 181__eol__8.2.1 OCTA图像介绍 181__eol__8.2.2 数据集下载 183__eol__8.2.3 数据预处理 183__eol__8.3 OCTA糖尿病诊断算法 186__eol__8.3.1 模型搭建 186__eol__8.3.2 模型训练 195__eol__8.4 OCTA糖尿病案例评价 197__eol__本章小结 199__eol__习题8 199__eol__第9章 基于胸部CT的肺部疾病智能诊断 200__eol__9.1 多种肺部疾病的影像学表现 201__eol__9.2 案例介绍 210__eol__9.3 建立肺CT医学影像数据集 211__eol__9.3.1 数据采集 211__eol__9.3.2 实验数据集的划分 213__eol__9.3.3 病灶标注数据集的制作 214__eol__9.3.4 读取数据集脚本的编写 215__eol__9.4 肺CT医学影像分类网络的搭建 215__eol__9.4.1 实验环境 215__eol__9.4.2 模型搭建 216__eol__9.4.3 神经网络训练验证 219__eol__9.5 肺CT医学影像病灶识别网络 220__eol__9.5.1 Faster R-CNN网络原理 220__eol__9.5.2 Faster R-CNN框架搭建 224__eol__9.6 实验结果评价 224__eol__本章小结 229__eol__习题9 229__eol__参考文献 230__eol__