{正版现货新书} 医学影像人工智能:从理论到实践 9787542884251 陈涛, (加) 张杏林, 著

全新正版现货，以书名为准，放心购买，购书咨询18515909251朱老师

117.32 5.9折 198 全新

库存83件

北京丰台

作者陈涛, (加) 张杏林, 著

出版社上海科技教育出版社有限公司

ISBN9787542884251

出版时间2025-10

装帧平装

开本24

定价198元

货号18751907

上书时间2026-01-08

商品详情

品相描述：全新

商品描述: 作者简介
陈涛，影禾医脉首席科学家，加拿大滑铁卢大学终身教授，同时担任该校Sponsored Research Chair（仅8人获此殊荣）及哈佛大学Senior Research Fellow。同时，陈涛教授担任全球知名人工智能及大数据实验室——加拿大滑铁卢大学大数据实验室主任，该实验室长期聚焦于以人工智能技术赋能各行业，助力提升行业生产效率，在医学图像、视觉及垂类大模型领域下的应用级人工智能开发方面有丰富的项目经验。张杏林，影禾医脉首席技术官，人工智能领域专家，专注于机器学习、深度学习、大模型及多模态模型研究，现任“影禾觅芽?;”医学影像基座模型项目研发负责人。由其领导研发的医学影像基座大模型，是目前数据规模最大、训练量最丰富的同类模型之一，在多项医学影像下游任务中取得了最先进（SOTA）的性能表现，全面赋能医学影像AI DIY，有力推动了医学影像人工智能的实用化进程。

目录
第1章医学影像技术基础 1.1 医学影像技术概述 1.2 磁共振成像 1.3 超声成像 1.4 X线摄影和计算机断层扫描 1.5 DICOM（医学数字成像和通信标准） 1.5.1 概述 1.5.2 DICOM 文件格式 1.5.3 DICOM 网络协议 1.5.4 实例 1.6 影像存储与传输系统 1.6.1 PACS 系统的核心功能 1.6.2 PACS 系统的发展趋势第2章机器学习基础 2.1 医学影像AI涉及的任务 2.2 分类 2.2.1 分类技术和模型 2.2.1.1 支持向量机(SVM) 2.2.1.2 深度学习 2.2.2 分类在医学影像中的应用 2.2.3 挑战和未来方向 2.3 物体检测 2.3.1 物体检测基础知识 2.3.2 物体检测技术 2.3.3 物体检测在医学影像中的应用 2.3.4 挑战和未来方向 2.4 分割 2.4.1 医学影像中的分割类型 2.4.2 医学影像分割技术 2.4.3 分割在医学影像中的应用 2.4.4 现存挑战 2.5 深度学习和神经网络 2.5.1 深度学习的历史 2.5.2 人工神经元 2.5.3 全连接神经网络 2.5.3.1 全连接网络的结构 2.5.3.2 用于推理的前向传播 2.5.3.3 用于训练的反向传播 2.6 卷积神经网络 2.6.1 CNN的架构 2.6.1.1 卷积层 2.6.1.2 激活函数 2.6.1.3 池化层 2.6.1.4 全连接层 2.6.2 CNN的发展过程 2.6.3 U-Net 2.6.3.1 U-Net的架构 2.6.3.2 下采样路径（编码器） 2.6.3.3 上采样路径（解码器） 2.6.3.4 U-Net的特点 2.6.3.5 U-Net的应用 2.6.3.6 U-Net的局限性和改进 2.6.4 nnU-Net 2.6.4.1 nnU-Net的提出动机 2.6.4.2 nnU-Net的表现 2.6.4.3 nnU-Net的架构特点 2.6.4.4 nnU-Net的优势 2.6.4.5 nnU-Net的局限性 2.7 Transformer 2.7.1 背景及动机 2.7.2 模型架构 2.7.2.1 编码器-解码器(Encoder-Decoder) 2.7.2.2 自注意力机制 2.7.2.3 位置编码(Positional Encoding) 2.7.3 Vision Transformer 2.7.4 基于Transformer的分割技术: Segment Anything Model 2.7.4.1 动机 2.7.4.2 SAM 的数学原理 2.7.4.3 Medical SAM 2.7.5 Transformer和CNN的对比第3章医学影像AI项目流程 3.1 概述 3.2 数据收集和预处理 3.2.1 内部数据和开源数据 3.2.2 数据集的范围 3.2.3 统一数据格式 3.2.4 预处理医学影像数据 3.3 数据标注 3.3.1 医学影像数据标注 3.3.2 标注工具 3.3.2.1 多功能平台3D Slicer 3.3.2.2 医学影像分割平台ITK-SNAP 3.3.2.3 影禾iResearch标注工具 3.3.3 解剖结构标注 3.3.4 病变标注 3.3.5 医学影像标注的难度 3.4 模型选择和架构 3.4.1 确定任务 3.4.2 分类 3.4.3 检测 3.4.4 分割 3.4.5 配准 3.4.6 结论 3.5 模型训练和验证 3.5.1 训练模型 3.5.2 验证模型 3.5.2.1 指标验证 3.5.2.2 临床验证 3.5.3 需关注的问题 3.5.4 结论 3.6 AI模型在临床工作流程中的应用 3.6.1 临床需求评估 3.6.2 模型部署和影像科工作流集成 3.6.2.1 面临的挑战 3.6.2.2 解决方案：整体的AI集成方案 3.6.3 培训和支持 3.6.4 评估和反馈 3.6.5 结论 3.7 模型解读 3.7.1 挑战 3.7.2 增强可解释性的策略 3.7.3 培训和继续教育 3.7.4 结论 3.8 基座模型时代的流程 3.8.1 基座模型 3.8.2 基座模型驱动的下游任务 3.8.3 基座模型面临的挑战 3.8.4 结论第4章医学影像AI任务实践 4.1 概述 4.2 本地环境搭建 4.2.1 安装Conda 4.2.2 安装Python（通过Conda） 4.2.3 安装VS Code 4.3 PyTorch简介 4.3.1 tensor 4.3.1.1 tensor的初始化 4.3.1.2 tensor的属性 4.3.1.3 tensor的运算 4.3.2 Dataset和DataLoader 4.3.2.1 Dataset 4.3.2.2 DataLoader 4.3.3 transforms 4.3.4 网络模型的搭建 4.3.5 模型的训练 4.3.6 模型的存储与加载 4.4 医学影像分类任务——肺炎 4.4.1 概述 4.4.2 成像方式 4.4.2.1 X线摄影 4.4.2.2 CT扫描 4.4.3 医学分类任务的AI技术 4.4.3.1 相关AI模型 4.4.3.2 损失函数——分类任务 4.4.4 构建肺炎诊断AI模型 4.4.4.1 Python库的加载 4.4.4.2 数据准备与加载 4.4.4.3 模型选择与搭建 4.4.4.4 模型训练与评估 4.4.4.5 模型推理 4.5 医学影像分割任务——动脉瘤 4.5.1 概述 4.5.2 成像方式 4.5.3 医学分割任务的AI技术 4.5.3.1 相关AI模型 4.5.3.2 损失函数——分割 4.5.4 构建动脉瘤分割AI模型 4.5.4.1 Python 库的加载 4.5.4.2 数据准备与加载 4.5.4.3 模型选择与搭建 4.5.4.4 模型训练与评估 4.5.4.5 模型推理 4.5.4.6 讨论第5章模型推理优化 5.1 概述 5.2 模型量化 5.2.1 基本概念 5.2.2 量化技术分类 5.3 剪枝 5.3.1 基本概念 5.3.2 剪枝技术分类 5.4 模型部署流程 5.4.1 ONNX 5.4.2 TensorRT 5.5 模型量化实例 5.5.1 概述 5.5.2 具体操作 5.5.2.1 环境准备 5.5.2.2 模型和环境测试 5.5.2.3 将编码器量化后导出到TensorRT 5.5.2.4 测试TensorRT量化版本编码模型 5.5.2.5 将prompt_encoder和mask_decoder导出到ONNX 5.5.2.6 测试TensorRT量化版本编码模型和ONNX解码模型第6章进入大模型时代 6.1 概述 6.2 基座模型和大模型 6.2.1 基本概念 6.2.2 基座模型和大模型的区别 6.2.3 大模型发展历程 6.2.4 基座模型和大模型的应用 6.2.5 基座模型与大模型在医学影像领域的潜力 6.2.6 自监督学习 6.2.6.1 掩码自编码器（MAE） 6.2.6.2 DINOv2 6.2.7 利用基座模型进行下游任务的微调 6.2.8 大规模训练的硬件基础 6.3 视觉和语言的多模态模型 6.3.1 CLIP 6.3.2 其他多模态模型 6.4 医疗分析中的大模型应用 6.4.1 基础医疗大模型概述 6.4.2 OpenAI ChatGPT 6.4.3 医学分析的基座模型技术细节 6.4.4 医疗大模型介绍 6.4.5 医疗大模型案例研究 6.4.6 医疗大模型的技术细节与架构设计 6.5 先进的医疗应用领域 6.5.1 报告生成 6.5.2 病理学 6.5.3 诊断应用 6.5.4 总结第7章医学影像开源数据集 7.1 概述 7.2 开源数据集 7.2.1 MedMNIST 7.2.2 MSD（Medical Segmentation Decathlon） 7.2.3 BraTS 7.2.4 LUNA16（LUng Nodule Analysis 2016） 7.2.5 NIH Chest X-ray数据集 7.2.6 TCIA（The Cancer Imaging Archive） 7.2.7 TotalSegmentator 7.2.8 ROCO（Radiology Objects in COntext） 7.2.9 VQA-Med 7.2.10 Camelyon17 7.2.11 ULS23 7.2.12 FLARE 7.2.13 M3D-Cap 7.2.14 CT-RATE 7.2.15 KiTS23 7.3 医学影像模型竞赛 7.3.1 Kaggle 7.3.2 MICCAI 7.3.3 国际生物医学影像研讨会 7.3.4 Grand Challenges 7.4 结论第8章医学影像人工智能面临的挑战 8.1 概述 8.2 数据与标注的挑战 8.2.1 数据稀缺与不平衡 8.2.2 数据质量与异质性 8.2.3 数据标注的复杂性 8.2.4 隐私保护与数据共享 8.3 模型与算法的挑战 8.3.1 视觉模型的局限性 8.3.2 3D 医学影像数据的计算复杂性 8.3.3 模型的泛化能力与鲁棒性 8.3.4 算法透明性与可解释性 8.4 算力与基础设施的挑战 8.4.1 计算资源的限制 8.4.2 模型训练与部署的效率 8.4.3 基础设施与技术支持 8.5 临床应用与集成的挑战 8.5.1 医学影像AI的临床价值验证 8.5.2 与临床工作流程的集成 8.5.3 当前相关AI产品的局限性 8.6 合规管理与伦理挑战 8.6.1 审批与监管 8.6.2 隐私保护与数据合规 8.6.3 责任和公平性结束语拥抱医学影像领域人工智能的未来

主编推荐
★ 兼具学术价值与工程实用性，实现理论-实践-行业的闭环设计。 ★ 系统梳理医学影像AI的核心理论，融合前沿技术，通过图示与实例平衡数学推导与直观理解。 ★ 提供从环境配置到模型部署的全流程开发指导，直击数据稀缺等痛点，助力医学影像AI技术快速落地。

精彩内容
随着人工智能（AI）技术的迅猛发展，其在众多领域都引发了颠覆性变革，在医学影像领域尤为显著。本书作为一本专业工具书，旨在构建人工智能与医学影像的交叉知识体系，填补理论知识与实践应用之间的鸿沟，通过系统性技术解析与临床转化路径探讨，为相关从业者提供技术演进方向与应用实践参考。全书分为8章，包括医学影像技术基础、机器学习基础、医学影像AI项目流程、医学影像AI任务实践、模型推理优化、进入大模型时代、医学影像开源数据集、医学影像人工智能面临的挑战。每章独立设计，以适应不同背景读者的需求。针对医学影像工作者的实际需求，本书提供可操作性技术方案用于提升影像分析效率；对于临床医师群体，则通过机理阐释与案例演示，辅助构建跨学科协作框架下的精准诊疗思维。