第 1 章 医学图像与人工智能
1.1 　医学人工智能概述 ……………… 002
1.1.1　人工智能技术的发展与介绍……… 002
1.1.2 人工智能技术在医学图像中的应用… 003
1.2　医学图像概述 ……………………… 006
1.2.1 X射线成像………………………… 006
1.2.2　计算机断层扫描…………………… 009
1.2.3　磁共振成像………………………… 012
1.2.4　超声成像…………………………… 016
1.2.5　常见的医学图像格式……………… 020
1.3　常见医学图像处理示例 …………… 025

第 2 章 图像去噪与图像增强
2.1　概念与意义 ………………………… 028
2.1.1　图像去噪…………………………… 028
2.1.2　图像增强…………………………… 028
2.2　图像去噪的常用方法 ……………… 029
2.2.1　传统的MRI图像去噪方法 ……… 029
2.2.2 基于深度学习的MRI图像去噪方法…032
2.2.3 MRI图像去噪方法总结与展望…… 034
2.3　图像增强的常用方法 ……………… 034
2.3.1　传统的MRI图像增强方法 ……… 034
2.3.2 基于深度学习的MRI图像增强方法… 038
2.3.3 MRI图像增强方法总结与展望 … 041
2.4　医学图像质量评价指标 …………… 041
2.5　应用示例 …………………………… 043
2.5.1 MRI图像去噪应用示例 ………… 043
2.5.2 MRI图像增强应用示例 ………… 044
2.5.3 MRI图像超分辨率应用示例 …… 046
2.6　思考与启示 ………………………… 047
2.6.1　现有研究的不足…………………… 047
2.6.2　未来发展方向……………………… 048
2.7　实践习题 …………………………… 048

第 3 章 图像配准
3.1　图像配准技术概述 ………………… 050
3.1.1　图像配准简介……………………… 050
3.1.2　医学图像配准的意义及应用领域… 051
3.1.3　图像配准方法的分类……………… 053
3.2　医学图像配准的评价指标 ………… 055
3.2.1　定性评价…………………………… 055
3.2.2　定量评价…………………………… 055
3.3　成对图像配准方法 ………………… 056
3.3.1　基于传统优化的图像配准方法…… 056
3.3.2　基于深度学习的图像配准方法…… 057
3.3.3 基于多级别小波变换的快速配准方法… 059
3.4　群组图像配准方法 ………………… 064
3.4.1　基于传统优化的图像群配准方法… 064
3.4.2　基于深度学习的图像群配准方法… 065
3.5　应用示例 …………………………… 065
3.5.1 基于传统优化的图像对配准方法—ANTs应用示例 … 065
3.5.2 基于深度学习的图像配准方法—VoxelMorph应用示例 … 067
3.5.3 基于多级别小波变换的图像配准方法—AMNet应用示例 … 068
3.5.4 基于传统优化的图像群配准方法—ANTs和ABSORB应用示例 … 069
3.5.5 基于深度学习的图像群配准方法—VoxelMorph应用示例 … 069
3.6　思考与启示 ………………………… 070
3.7　实践习题 …………………………… 071

第 4 章 医学图像分割
4.1　概念与意义 ………………………… 073
4.2 常用医学图像分割方法简介：以基于结构性MRI的海马分割为例… 074
4.2.1　概述………………………………… 074
4.2.2 基于传统机器学习的海马分割算法简介… 074
4.2.3 基于深度学习的海马分割算法简介… 075
4.3　基于多图谱的海马分割算法 ……… 075
4.3.1　基本流程…………………………… 075
4.3.2　多数投票算法……………………… 077
4.3.3　局部标签学习算法………………… 078
4.3.4　随机森林半监督标签传播算法…… 079
4.4　基于深度学习的海马分割算法 …… 081
4.4.1　基本流程…………………………… 081
4.4.2　基于FCN的分割算法 …………… 083
4.4.3　基于U-Net的分割算法 …………… 084
4.4.4　基于TransU-Net的分割算法……… 085
4.5　图像分割性能评估 ………………… 087
4.5.1　定量评估…………………………… 087
4.5.2　定性评估…………………………… 089
4.6　应用示例 …………………………… 090
4.6.1 基于多图谱的海马分割算法应用示例…090
4.6.2 基于深度学习的海马分割算法应用示例…094
4.7　思考与启示 ………………………… 099
4.8　实践习题 …………………………… 099

第 5 章 特征提取
5.1　大脑形态学指标的量化 …………… 102
5.2 结构性磁共振影像组学特征及脑网络构建 … 103
5.2.1　影像组学简介……………………… 103
5.2.2　影像组学特征计算………………… 104
5.2.3　影像组学特征的应用……………… 106
5.2.4 基于影像组学特征构建大脑结构共变网络… 107
5.3　扩散磁共振脑网络构建 …………… 108
5.3.1 dMRI 图像的预处理 ……………… 108
5.3.2　纤维追踪…………………………… 110
5.4 功能性磁共振图像特征提取及脑网络构建 … 114
5.4.1 fMRI 图像的预处理 ……………… 114
5.4.2　局域特征提取……………………… 116
5.4.3 基于BOLD信号构建大脑功能网络… 117
5.5　脑网络特征提取 …………………… 120
5.6　应用示例 …………………………… 123
5.6.1　大脑结构共变网络构建应用示例… 123
5.6.2 功能性磁共振脑网络构建应用示例… 124
5.6.3 以功能性磁共振脑网络为例的图论指标计算应用示例… 125
5.7　思考与启示 ………………………… 126
5.8　实践习题 …………………………… 126

第 6 章 机器学习与统计分析
6.1　概念与一般流程 …………………… 128
6.2　统计学基础 ………………………… 130
6.2.1　概率论基础………………………… 130
6.2.2　统计推断基础……………………… 131
6.3　统计学方法 ………………………… 136
6.3.1　假设检验和p-values ……………… 136
6.3.2　双样本t检验与正态性检验 ……… 139
6.4　监督学习算法 ……………………… 141
6.4.1　决策树算法………………………… 141
6.4.2　随机森林算法……………………… 144
6.4.3　支持向量机算法…………………… 145
6.4.4　贝叶斯分类器……………………… 148
6.4.5 k近邻算法 ………………………… 150
6.4.6　神经网络算法……………………… 151
6.5　无监督学习算法 …………………… 154
6.5.1 k均值聚类算法 …………………… 155
6.5.2　主成分分析算法…………………… 156
6.6　分类常见评价指标 ………………… 157
6.6.1　准确率和错误率…………………… 157
6.6.2　二分类评价指标…………………… 158
6.6.3　多分类评价指标…………………… 160
6.7　应用示例 …………………………… 161
6.8　思考与启示 ………………………… 165
6.9　实践习题 …………………………… 166

第 7 章 医学图像及分析结果可视化
7.1　医学图像可视化 …………………… 168
7.1.1　大脑皮层可视化…………………… 168
7.1.2　大脑皮下可视化…………………… 172
7.1.3　大脑网络可视化…………………… 173
7.2　数据分析方法 ……………………… 178
7.2.1　差异性分析………………………… 178
7.2.2　相关分析…………………………… 179
7.2.3　分布结果…………………………… 180
7.3　应用示例 …………………………… 183
7.4　思考与启示 ………………………… 185
7.5　实践习题 …………………………… 185

第 8 章 智能医学图像处理案例
8.1　系统搭建 …………………………… 188
8.1.1　数据库搭建………………………… 188
8.1.2　框架环境配置……………………… 190
8.1.3 快速部署框架—若依框架的部署和使用… 191
8.1.4　核心模块参考代码………………… 191
8.2 基于智能医学图像处理系统的实践案例 …198
8.2.1　数据存储与格式转化……………… 198
8.2.2　数据预处理………………………… 199
8.2.3　数学建模…………………………… 203
8.2.4　数据分析…………………………… 205
8.2.5　结果解读与可视化………………… 205
8.3　思考与启示 ………………………… 208
8.4　实践习题 …………………………… 209
参考文献…………………………………… 210