医学影像深度学习（面向新工科的电工电子信息基础课程系列教材）

本书首先简要介绍人工智能与深度学习的发展历程与应用、临床各种成像以及深度学习环境；然后重点围绕医学影像分类、目标检测与分割三大基本任务展开讲解，阐述每种任务的基本概念与临床意义，介绍典型的深度神经网络，给出医学影像数据集的构建、网络的训练、测试以及性能评价方面的具体方法；最后介绍医学影像深度学习领域常用的公开数据集。此外，针对三大基本任务给出六个案例。本书可作为高等医科院校或高等院校医学相关专业高年级本科生和研究生的教材或参考书，也可供相关领域的科研人员、工程技术人员参考。

（1）粘永健，陆军军医大学生物医学工程与影像医学系副教授，硕士生导师，长期从事医学影像人工智能的教学和科研工作，讲授本科生的“医学影像人工智能”以及博士研究生的“数字医学与人工智能”等课程，获校级教学成果一等奖，获评校级优秀教师、教学标兵。现任重庆市数字医学学会常务理事，重庆市计算机学会高性能计算专委会委员。先后主持国家与省部级项目5项，近5年在国际人工智能领域知名期刊上发表SCI论文5篇（通讯作者），授权发明专利4项、软件著作权3项。

（2）肖晶晶，陆军军医大学第二附属医院生物医学信息研究与应用中心主任，长期从事医学影像人工智能的教学和科研工作，讲授本科生的“医学影像设备学”等课程。先后主持国家与省部级项目5项，近5年发表SCI论文10余篇，授权发明专利3项。

（3）戚婧，解放军总医院医学大数据研究中心博士研究生，主要研究方向为医学影像人工智能。近5年发表SCI论文3篇，主持省部级项目1项，曾获第十六届中国研究生电子设计竞赛全国一等奖，获评陆军军医大学优秀研究生。

（1）紧密围绕医学影像这一对象展开论述，充分考虑临床医学与工程学的交叉融合，兼顾基础性、实践性与前沿性。

（2）基于PyTorch进行深度学习模型的构建，与科技前沿技术接轨，可便捷地使用最新的深度模型。

（3）内容聚焦于医学影像分类、目标检测与分割三大任务，系统讲解每种任务的实现过程，能够覆盖绝大多数临床应用场景。

（4）每章内容都配有PPT、视频讲解与案例展示，并给出源代码、数据集，便于读者自主学习，达到理论与实践相结合的效果。

（5）扫描目录上方的二维码，即可下载教学大纲和PPT课件；扫描各章首页的二维码，即可观看教学视频；扫描案例首页的二维码，即可下载源代码和数据集。

前言

2016年，谷歌人工智能围棋程序AlphaGo以绝对优势战胜人类围棋世界冠军李世石，开创了人工智能里程碑式的成功，其背后的深度学习技术功不可没。2022年，深度学习再次发力，被称为史上最会聊天的机器人ChatGPT横空出世，人工智能领域的竞争进入白热化。作为人工智能最活跃的一个分支，深度学习在医学领域的应用也取得了巨大成功，在临床辅助诊断方面显示出良好的应用前景，一度引发了深度学习是否会代替临床医生的讨论热潮。目前普遍认为，深度学习在一段相当长的时间内将作为一种高效的辅助手段协助医生进行疾病诊断，主要目的是提高临床诊断的效率，减少漏诊率。医学影像深度学习已经成为一个重要的研究方向，越来越多的研究生在这个方向上进行科研选题。目前，深度学习领域已经出版了一系列教材和参考书，但极少针对医学影像处理。医学影像作为临床疾病诊断的重要依据之一，利用深度学习技术对其进行分析和处理具有较强的专业性、复杂性和挑战性。本书围绕医学影像深度学习展开论述，在内容设计上重点考虑医学影像分类、目标检测和分割三大基本任务，分别探讨每种任务的具体实施过程以及需要注意的问题，力求帮助学习者更好、更快地跨入医学影像深度学习的大门。

本书重点阐述如何完成医学影像深度学习任务，而非深度学习技术本身。因此，对于具体的深度学习网络，本书并没有展开讲解，读者可以参考其他相关出版物进行学习。全书共分为七章，第1章主要介绍人工智能与深度学习的基本概念和发展历程，并简要给出深度学习在医学影像处理中的研究进展； 第2章主要介绍各种医学成像技术的基本原理、影像特点和临床应用； 第3章主要介绍如何搭建一个深度学习环境； 第4~6章分别围绕医学影像分类、目标检测和分割三大基本任务展开讲解，指出每种任务的基本概念和临床意义，介绍典型的深度神经网络，阐述医学影像数据集的构建，网络的训练、测试以及性能评价方面的具体做法； 第7章主要介绍医学影像深度学习领域常用的公开数据集，并探讨公开数据集的优势、不足以及使用过程中需要注意的问题。

除了上述内容，针对医学影像分类、目标检测和分割三大基本任务，本书给出六个案例及相应的源代码。这些案例形象、直观地展示如何利用公开数据集开展医学影像深度学习方面的研究。为了便于读者自主学习，每章均配有课件和视频，扫描目录上方的二维码，即可下载教学大纲和PPT课件； 扫描各章首页的二维码，即可观看教学视频； 扫描案例首页的二维码，即可下载源代码和数据集。

本书在写作过程中得到生物医学工程与影像医学系吴毅教授、宁旭副教授和何密副教授的倾力指导。西南医院的陈伟教授、胡荣教授、胡厚源教授、陈光兴教授、刘晨副教授、华兴副教授，新桥医院的张冬教授、孙建国教授、熊希副教授，大坪医院的陈东风教授、魏艳玲副教授、刘凯军副教授、熊雁副教授、刘莛副教授，重庆市人民医院的袁伟教授，预防医学系的伍亚舟教授，基础医学院的李红丽教授为本书撰写提出了宝贵建议。陈明生、刘丽、李晨、王显棋、龚渝顺、马建川、冯阳阳、刘晶、刘静静、陈娜、张小勤、范卫杰、李颖、刘红军等参与了书稿的校对工作，硕士研究生陈子航、侯思宇、彭琦以及科研助理杨毅完成了部分插图的绘制工作。此外，本书的编写得到了生物医学工程与影像医学系董世武主任、王源协理员、钟华副主任和张珠副主任的关心和支持，清华大学出版社的编辑与编者进行了充分沟通，提出了许多宝贵的意见和建议，在此一并致以诚挚的谢意。

本书可面向高等医科院校相关专业的高年级本科生和研究生，也可用于其他高等院校医学相关专业的高年级本科生和研究生。由于深度学习技术的发展日新月异，加之编者本身学识有限，书中难免出现错误和不妥之处，恳请广大读者批评指正。

编者重庆陆军军医大学2023年6月

第1章人工智能之深度学习

1.1人工智能简介

1.1.1基本概念

1.1.2发展历程

1.2深度学习简介

1.3深度学习在医学影像处理中的应用

1.4本章小结

参考文献

第2章医学成像简介

2.1X射线成像

2.1.1成像原理

2.1.2影像特点

2.1.3临床应用

2.2CT成像

2.2.1成像原理

2.2.2影像特点

2.2.3临床应用

2.3MRI成像

2.3.1成像原理

2.3.2影像特点

2.3.3临床应用

2.4超声成像

2.4.1成像原理

2.4.2影像特点

2.4.3临床应用

2.5医疗内窥镜成像

2.5.1成像原理

2.5.2影像特点

2.5.3临床应用

2.6数字病理成像

2.6.1成像原理

2.6.2影像特点

2.6.3临床应用

2.7本章小结

参考文献

第3章深度学习环境

3.1编程语言和环境

3.1.1编程语言

3.1.2编程环境

3.2深度学习框架

3.3PyTorch深度学习环境的搭建

3.4本章小结

参考文献

第4章基于深度学习的医学影像分类

4.1引言

4.2卷积神经网络

4.3面向分类的深度神经网络

4.4临床选题

4.5医学影像数据集的构建

4.5.1医学影像的收集

4.5.2医学影像的标注

4.6网络的训练和测试

4.6.1数据集的划分

4.6.2数据预处理

4.6.3分类网络的选择

4.6.4损失函数和优化方式

4.6.5网络超参数的调整

4.6.6欠拟合和过拟合

4.7分类性能的评价

4.7.1基于指标体系的性能评价

4.7.2基于人机对比的性能评价

4.7.3基于压力测试的性能评价

4.7.4类激活映射图

4.8本章小结

参考文献

第5章基于深度学习的医学影像目标检测

5.1引言

5.2面向目标检测的深度神经网络

5.2.1Twostage方案

5.2.2Onestage方案

5.3临床选题

5.4医学影像数据集的构建

5.4.1医学影像的收集

5.4.2医学影像的标注

5.5网络的训练和测试

5.5.1数据集的划分

5.5.2数据预处理

5.5.3目标检测网络的选择

5.5.4损失函数和优化方式

5.5.5网络超参数的调整

5.6目标检测性能的评价

5.6.1基于指标体系的性能评价

5.6.2基于人机对比的性能评价

5.6.3基于压力测试的性能评价

5.7本章小结

参考文献

第6章基于深度学习的医学影像分割

6.1引言

6.2面向分割的深度神经网络

6.3临床选题

6.4医学影像数据集的构建

6.4.1医学影像数据的收集

6.4.2医学影像数据的标注

6.5网络的训练和测试

6.5.1数据集的划分

6.5.2数据集的预处理

6.5.3分割网络的选取

6.5.4损失函数和优化方式

6.5.5网络超参数的调整

6.6分割性能的评价

6.6.1基于指标体系的性能评价

6.6.2基于实际应用的性能评价

6.7本章小结

参考文献

第7章医学影像公开数据集

7.1引言

7.2面向分类的公开数据集

7.3面向目标检测的公开数据集

7.4面向分割的公开数据集

7.5公开数据集的优势和不足

7.6本章小结

参考文献

案例篇

案例1乳腺肿瘤良恶性的识别

案例2新型冠状病毒感染的识别

案例3心影增大的检测

案例4红细胞的检测

案例5心脏MRI的分割

案例6超声心动图的分割