本书主要介绍医学影像处理的基本技术与实现方法，以医学影像智能诊断方法为主，涉及数字信号处理、统计学、机器学习等理论和技术。全书共分为9章：第1章介绍智慧医疗的概念、人工智能与医学影像诊断、深度学习医学影像应用与用于医学影像的其他人工智能算法；第2章～第3章介绍人工智能医学影像诊断的基础知识，包括编程基础与各种医学影像介绍，还详细介绍医学影像的基本处理方法；第4章～第5章介绍卷积神经网络基础知识与医学影像任务，包括多种卷积神经网络与神经网络模型的评价标准、常见的医学影像任务（医学影像诊断、检测、分割）；第6章～第9章介绍智能医学影像处理实际案例，包括乳腺超声影像中的乳腺肿瘤检测与良恶性诊断、眼科OCTA图像诊断糖尿病、肺CT图像中的肺部多种疾病诊断。本书可以作为计算机科学与技术、电子科学与技术、控制工程与科学、智能科学与技术等理工科及相关专业的高等院校本科教材，也可以作为研究生教材，并适合从事医学影像处理、人工智能等研究的科研人员和爱好者参考使用。

随着社会的进步和网络技术的持续发展，人工智能产品在人类生活中已随处可见，服务领域越来越广泛。人工智能学科是一门多领域交叉学科，该学科的研究范畴包括目标检测、目标分割、语音识别、图像处理、自然语言处理等，其中图像处理的研究目的是提取图像中所包含的某些特征或特殊信息，这些被提取的特征或信息往往为计算机分析图像提供便利，图像处理主要分为图像分类、目标检测和图像分割等部分。将图像处理与医学影像结合的计算机辅助诊断方法已经成为人工智能与医学领域的研究热点。 现代医学是建立在实验基础上的循证医学，医生的诊疗结论必须建立在相应的诊断数据上。影像是重要的诊断依据，医疗行业80%～90%的数据都源于医学影像，所以临床医生有极大的影像需求。他们需要对医学影像进行各种各样的定量分析，以便能够完成诊断。 智能医学影像处理是目前智慧医疗中的一个备受关注的研究方向，其目的是为医生与患者提供一种更为高效、便捷的辅助诊断方式。通过搭建神经网络和利用深度学习算法，人工智能系统对包含各种病变形态细胞的病理库进行大量训练，获得识别病变细胞特征的能力。通过大量比对，识别出细胞的病变形式及发展程度，为医生做出最后诊断提供辅助依据。医院大数据中85%左右的存储容量被影像数据占据，现在的计算机可以识别结构化的文本数据和结构化的影像数据，且正在探索将功能性医学影像和结构性图像相融合的方式，以获得更好的诊疗效果。 随着互联网可收集数据的增长、软/硬件技术的提升和深度学习技术的进步，计算辅助诊断在对各种疾病的治疗上起到了重要作用。将人工智能与医学影像相结合，能够减少影像科医生因为长期从事高负荷工作而出现的疲劳、误诊问题，提高诊断的精度，节省阅片时间，减少重复劳动，使其能将时间投入更有价值的工作。而且基层卫生医疗机构的影像科医生在数量、资历、经验等方面与高等级医院的影像科医生存在较大差距，而优良的智能医学影像产品在诊断水平上能接近高年资医生，不仅能帮助基层医疗机构减少误诊，而且可作为培训低年资医生的实用工具，有利于提高基层医疗机构的诊疗水平，改善患者的就医环境。 本书是在编者近三年开展的智慧医疗方面的研究工作基础上编撰的。本书首先介绍了智慧医疗的概念、人工智能与医学影像诊断、深度学习医学影像应用与用于医学影像的其他人工智能算法；然后从编程基础、医学影像处理两个方面来介绍，涉及数字信号处理、统计学、机器学习等理论和技术；接着在初级的知识基础上，介绍了神经网络与医学影像的多种处理模型；最后引入了具体的医学影像智能诊断案例，使读者能够充分理解医学影像分析、诊疗与人工智能结合的实现方法，学会如何完整地构建一个智能医学影像处理模型对某一疾病进行辅助诊断。 本书在介绍主要知识和方法后，提供了适量的习题，使读者不仅能掌握一些初级的知识和方法，还能进一步掌握智能医学影像处理技术，加深理解。 本书由莫宏伟担任主编，徐立芳担任副主编。感谢傅智杰、魏子强、孙鹏、孙琪等硕士研究生在内容编写、图片绘制方面提供的协助。 由于编者水平和经验有限，因此书中难免存在欠妥之处，恳请读者朋友和相关领域的专家学者拨冗批评指正。 编者 2022年7月于哈尔滨

第1篇 概念篇 第1章 绪论 2 1.1 智慧医疗的概念 3 1.1.1 什么是智慧医疗 3 1.1.2 为什么需要智慧医疗 5 1.1.3 智慧医疗简史 6 1.1.4 智慧医疗发展愿景 8 1.2 人工智能与医学影像诊断 11 1.2.1 医学影像研究方法 11 1.2.2 人工智能医学诊断的方式 14 1.2.3 人工智能技术对医学影像的影响 15 1.2.4 人工智能技术在医学影像领域的应用 17 1.3 深度学习医学影像应用 21 1.4 用于医学影像的其他人工智能算法 24 本章小结 26 习题1 26 第2章 编程基础 27 2.1 Python语言 28 2.1.1 Python语言简介 28 2.1.2 Python内置函数与标准库 28 2.2 Python中的NumPy 31 2.2.1 多维数组 32 2.2.2 随机数组 34 2.3 Python中的Matplotlib 35 2.3.1 创建线形图 35 2.3.2 创建其他图 38 2.4 PyTorch基础 41 2.4.1 PyTorch中的Tensor 41 2.4.2 搭建一个简易神经网络 47 2.4.3 自动梯度 49 2.4.4 模型搭建和参数优化 50 本章小结 57 习题2 57 第3章 医学影像处理 58 3.1 医学影像基础 59 3.1.1 图像像素、空间分辨率和亮度分辨率 59 3.1.2 数字图像类型 60 3.1.3 图像文件格式 61 3.2 医学影像类别 63 3.2.1 X射线图像 63 3.2.2 CT图像 65 3.2.3 MRI图像 67 3.2.4 超声图像 70 3.2.5 核素图像 71 3.2.6 OCTA图像 74 3.3 医学影像基本处理技术 75 3.3.1 医学影像的几何变换 75 3.3.2 医学影像的分割 77 3.3.3 医学影像的直方图增强 81 本章小结 85 习题3 86 第4章 卷积神经网络 88 4.1 卷积神经网络的组成 89 4.1.1 卷积层 89 4.1.2 池化层 90 4.1.3 激活函数 90 4.1.4 损失函数 93 4.2 经典的卷积神经网络 94 4.2.1 LeNet 94 4.2.2 AlexNet 95 4.2.3 VGGNet 96 4.2.4 GoogLeNet 98 4.2.5 ResNet 101 4.2.6 Xception 102 4.3 评价指标 103 4.3.1 错误率与准确率 103 4.3.2 查准率、查全率与F1分数 104 4.3.3 ROC与AUC 105 4.3.4 代价敏感错误率和代价曲线 107 本章小结 108 习题4 108 第2篇 实际应用篇 第5章 常见的医学影像任务 112 5.1 疾病诊断 113 5.1.1 常见的疾病诊断任务 113 5.1.2 常用的疾病诊断方法 115 5.2 医学影像检测 119 5.2.1 常见的医学影像检测任务 119 5.2.2 常用的医学影像检测方法 121 5.2.3 常用的医学影像检测性能指标 123 5.3 医学影像分割 124 5.3.1 常见的医学影像分割任务 124 5.3.2 常用的医学影像分割方法 125 5.3.3 常用的医学影像分割性能指标 131 本章小结 132 习题5 132 第3篇 案例篇 第6章 乳腺超声影像肿瘤良恶性诊断 136 6.1 案例介绍 137 6.1.1 乳腺癌的危害 137 6.1.2 乳腺超声影像的优势与缺陷 137 6.1.3 乳腺癌诊断方式 138 6.1.4 乳腺癌诊断的发展 139 6.2 高质量乳腺超声影像数据集 140 6.2.1 乳腺超声影像 140 6.2.2 超声影像标注 141 6.2.3 含噪声的超声影像恢复方法 142 6.2.4 数据集的构成分析 145 6.3 肿瘤良恶性诊断模型搭建 145 6.3.1 模型设计 145 6.3.2 算法实现 147 6.4 实验结果评价 154 本章小结 156 习题6 156 第7章 超声影像乳腺肿瘤检测 157 7.1 目标检测算法介绍 158 7.1.1 Faster R-CNN算法 158 7.1.2 SSD算法 160 7.1.3 YOLOV3算法 161 7.1.4 CornerNet算法 163 7.2 检测数据集制作流程（Pascal VOC格式） 165 7.2.1 Pascal VOC格式 165 7.2.2 数据集制作流程 170 7.3 评价指标与实现方法 171 7.4 乳腺肿瘤检测实验结果与分析 173 本章小结 178 习题7 179 第8章 基于OCTA图像的糖尿病诊断分析 180 8.1 案例介绍 181 8.2 OCTA数据介绍 181 8.2.1 OCTA图像介绍 181 8.2.2 数据集下载 183 8.2.3 数据预处理 183 8.3 OCTA糖尿病诊断算法 186 8.3.1 模型搭建 186 8.3.2 模型训练 195 8.4 OCTA糖尿病案例评价 197 本章小结 199 习题8 199 第9章 基于胸部CT的肺部疾病智能诊断 200 9.1 多种肺部疾病的影像学表现 201 9.2 案例介绍 210 9.3 建立肺CT医学影像数据集 211 9.3.1 数据采集 211 9.3.2 实验数据集的划分 213 9.3.3 病灶标注数据集的制作 214 9.3.4 读取数据集脚本的编写 215 9.4 肺CT医学影像分类网络的搭建 215 9.4.1 实验环境 215 9.4.2 模型搭建 216 9.4.3 神经网络训练验证 219 9.5 肺CT医学影像病灶识别网络 220 9.5.1 Faster R-CNN网络原理 220 9.5.2 Faster R-CNN框架搭建 224 9.6 实验结果评价 224 本章小结 229 习题9 229 参考文献 230