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。

莫宏伟，工学博士，教授，博士生导师。1996年7月-2001年8月，哈尔滨工程大学自动化学院，助教，团委书记，辅导员；2001年9月-2003年8月，哈尔滨工程大学自动化学院，讲师；2003年9月-2004年9月，美国加州大学戴维斯分校访问学者；2004年10月-2007年8月，哈尔滨工程大学自动化学院，副教授；2005年9月-2007年12月，哈尔滨工业大学计算机科学与技术学院，博士后；2007年9月-至今，哈尔滨工程大学自动化学院，教授。参加的学术组织及任职情况：黑龙江省多学科协同人工智能重点实验室主任。中国人工智能学会自然计算与数字城市专业委员会（发起人）副主任，中国人工智能学会智能空天系统专委会常务委员，中国人工智能学会智能医疗专业委员会委员，全国高校人工智能与大数据创新联盟副理事长，黑龙江省高等教育学会人工智能教育专业委员会创始人、理事长，黑龙江省人工智能学会秘书长（2007-2019），黑龙江省生物医学工程学会理事。黑龙江省医师协会智慧医疗分会理事。国际期刊Research of Information Technology、International Journal of Swarm Intelligence Research、International Journal of Robotics and Automation Technology、《电子学报》、《导航与授时》编委。IEEE Tran on Industrial Informatics 2018 专刊《医疗卫生中的大数据处理》副主编。Journal of Big Data Research主编。获得的个人荣誉和集体荣誉：黑龙江省杰出青年科学基金获得者。全国高校人工智能与大数据创新联盟人工智能教育"个人创新奖”。哈尔滨工程大学"人工智能导论”精品在线课程负责人。智慧树"2021年双一流高校学科建设精品课程”人工智能导论负责人。省级一流课程负责人。出版的主要著作：《人工免疫系统》，科学出版社，2009；《Handbook of Research on Artificial Immune Systems and Natural Computing: Applying Complex Adaptive Technologies》，IGI Global,USA，2009；《免疫调度原理与应用》，科学出版社，2013；《自然计算》，科学出版社，2016；《磁性细菌优化算法》，科学出版社，2017；《人工智能导论》，人民邮电出版社，2020；《深度学习》，人民邮电出版社，2020。所承担的重点科研项目：1.2013年1月-2015年12月，基于蜂群智能的无人机集群协同飞行控制策略研究，黑龙江省杰出青年科学基金，负责人；2.2014年1月-2016年9月，脑机接口控制机器人，总装预研，负责人；3.2014年1月-2016年6月，桥梁检测无人机，横向，负责人；4.2018.9-2018.12 智能手术导航系统，横向，负责人；5.2019.1-2021.12 智能光谱识别系统，横向，负责人；6.2019.9-2019.12 人工智能疾病分析系统，横向，负责人；7.2020.1-2022.12 海陆空智能无人系统-火星车目标跟踪系统，科技部国家重点研发计划，课题分项目负责人；8.2021.1-2022.12 认知智能移动机器人平台研究，横向，负责人；9 基于自然语言处理的领域本体系统构建，装发预研，负责人。教学成果获奖情况：智慧树2021年高校思政精品课程卓越奖（个人），智慧树"2021年双一流高校学科建设精品课程”，省级线上一流课程。

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126
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NumPy31
2.2.1 多维数组32
2.2.2 随机数组34
2.3 Python中的Matplotlib35
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Tensor41
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257
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386
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 LeNet94
4.2.2 AlexNet95
4.2.3 VGGNet96
4.2.4 GoogLeNet98
4.2.5 ResNet101
4.2.6 Xception102
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AUC105
4.3.4 代价敏感错误率和代价曲线107
本章小结108
习题4108

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5132
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6156
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7179
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8199
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9229
参考文献230