《影像组学基础》系统介绍了影像组学的发展历程、基本概念、关键技术和软件平台，并对影像组学在辅助疾病诊疗和疗效评估两个方面的典型应用进行了详细分析。此外，还探讨了影像组学研究的基本范式，并对目前影像组学研究存在的潜在问题进行了总结，对未来影像组学的发展趋势进行了展望。

目录
序一
PREFACE　1
序二
PREFACE　2
序三
PREFACE　3
前言
第1章　绪论　1
1.1　医学影像的背景　1
1.2　影像组学的概念　3
1.3　影像组学的价值　4
1.4　影像组学分析方法概述　5
1.4.1　医学影像采集　6
1.4.2　肿瘤区域分割　7
1.4.3　肿瘤影像表型　7
1.4.4　肿瘤临床预测　9
1.4.5　人工智能新技术　10
1.5　影像组学的临床应用前景　11
参考文献　11
第2章　影像组学的关键技术及软件平台　14
2.1　肿瘤检测　14
2.1.1　数据预处理　14
2.1.2　候选结节检测　15
2.2　图像配准　17
2.2.1　基于空间区域加权的相关比测度的弹性配准　17
2.2.2　基于无监督网络的脑磁共振图像形变配准　21
2.2.3　基于无监督对抗相似度判别网络的图像形变配准　24
2.3　肿瘤图像分割　28
2.3.1　基于卷积神经网络的脑肿瘤分割　28
2.3.2　基于MV-CNN的肺结节分割算法　29
2.3.3　基于中心池化卷积神经网络的肺结节分割　33
2.3.4　基于全卷积网络的肿瘤分割方法　40
2.4　基于知识的医学图像分割方法　41
2.4.1　融入先验信息的深度学习模型　41
2.4.2　基于活动轮廓线模型的医学图像分割方法　43
2.4.3　融入解剖学和成像知识的图像分割与Bias校正的数学模型　45
2.5　医学数据可视化　46
2.5.1　多模态医学图像可视化　48
2.5.2　可视化工具包　51
2.6　特征提取　52
2.6.1　人工设计的特征　52
2.6.2　深度学习特征　53
2.7　特征选择与降维　54
2.7.1　传统线性降维　55
2.7.2　基于特征选择的降维方法　56
2.7.3　基于模型与正则化的特征选择　57
2.8　模型构建　62
2.8.1　线性回归模型　63
2.8.2　线性分类模型　66
2.8.3　树模型　69
2.8.4　自适应提升模型　70
2.8.5　模型选择　72
2.8.6　卷积神经网络　73
2.8.7　迁移学习　77
2.8.8　半监督学习　80
2.9　影像组学质量评估体系　84
2.10　影像组学软件平台　86
2.10.1　Radlomlcs 软件　86
2.10.2　Pyradlomlcs影像组学算法库　87
参考文献　96
第3章　影像组学在辅助诊断中的应用　101
3.1　影像组学在肿瘤鉴别诊断与分期中的应用　103
3.1.1　肿瘤良恶性鉴别　103
3.1.2　肿瘤淋巴结转移预测　110
3.1.3　肿瘤远处转移预测　129
3.1.4　肿瘤其他分期诊断　139
3.2　影像组学在肿瘤分子分型中的应用　146
3.2.1　肿瘤病理亚型预测　146
3.2.2　肿瘤分子分型预测　158
3.3　影像组学在其他疾病诊断中的应用　175
3.3.1　肝纤维化分期诊断　175
3.3.2　冠状动脉斑块诊断　181
3.3.3　胎儿21-三体综合征诊断　185
3.3.4　新冠肺炎诊断　189
参考文献　200
第4章　影像组学在疗效评估和预后预测中的应用　209
4.1　影像组学在肿瘤疗效评估中的应用　209
4.1.1　放化疗的疗效评估　209
4.1.2　靶向治疗的疗效评估　212
4.1.3　介入治疗的疗效评估　220
4.1.4　新辅助治疗的疗效评估　225
4.1.5　治疗方案的选择与疗效评估　229
4.2　影像组学在肿瘤预后预测中的应用　242
4.2.1　肿瘤复发的预测　243
4.2.2　肿瘤生存期预测　254
参考文献　262
第5章　总结和展望　272
5.1　总结　272
5.2　展望　273
5.2.1　影像组学的临床应用前景　274
5.2.2　制订研究规范　275
5.2.3　医学大数据基础　275
5.2.4　病灶分割算法　276
5.2.5　实验的可重复性　276
5.3　结语　277
参考文献　277