返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版新书]大数据时代的医学图像深度学习与前沿 张红梅 卢虹冰 副主 清华大学出版社 大数据医疗 医学图像分析 机
  • 新商品上架
    • 作者: 张红梅、卢虹冰;副主著
    • 出版社: 清华大学出版社
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    句字图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 张红梅、卢虹冰;副主著
    • 出版社:清华大学出版社
    • ISBN:9787302671220
    • 版权提供:清华大学出版社

     书名:  大数据时代的医学图像深度学习与前沿
     出版社:  清华大学出版社
     出版日期  2024-08
     ISBN号:  9787302671220
    全书以通俗易懂的语言、翔实生动的实例,全面介绍了大数据背景下医学图像分析方法。全书共分上下两册,总计17章,上册主要介绍经典基础的图像分析方法,内容包括从物理参量成像到数字图像、空域图像增强、变换域图像增强、图像去噪恢复、医学图享配准、医学图像分割和医学图像分析临床应用等。下册主要介绍机器学习等最新的图像分析方法,内容包括机器学习原理、深度学习原理、优化和训练网络、基于深度学习的医学图像分类、 目标检测、医学图像分割、多模态图像和超分辨图像生成、基于Transformer的自注意力学习、稀疏成像数据的图像重建和图卷积网络等。
    与市场上同类教材相比,本书从医学图像分析的实际需求出发,在讲解相关知识的同时结合附录中临床医学图像分析处理代码、公开数据集和相关比赛信息,力求让读者能够学以致用、快速掌握。本书内容更加适用于医学和工科的交叉学科,可作为高等院校相关研究领域的优秀教材,对培养人工智能医学精准诊疗人才具有重要意义。

     

    张红梅 单位:西安交通大学 职务、职称:教授 性别:女 年龄:49 专业:生物医学工程。1.超声黏弹性成像理论及方法研究,超声黏弹性成像在临床早期疾病诊断中的应用研究

     

    本书主要介绍机器学习等最新的图像分析方法,内容包括机器学习原理、深度学习原理、优化和训练网络、基于深度学习的医学图像分类、 目标检测、医学图像分割、多模态图像和超分辨图像生成、基于Transformer的自注意力学习、稀疏成像数据的图像重建和图卷积网络等。本书可作为医学和工科的交叉学科及高等院校相关研究领域教学使用,对培养人工智能医学精准诊疗人才具有重要意义。

     

    第1章 机器学习原理 1
    1.1 机器学习方法 1
    1.2 特征与降维 17
    知识拓展 29
    参考文献 29
    第2章 深度学习原理 32
    2.1 深度学习数学基础 32
    2.2 卷积神经网络 36
    2.3 循环神经网络 50
    2.4 小结 57
    知识拓展 57
    参考文献 57
    第3章 如何训练和优化人工神经网络 60
    3.1 人工神经网络训练基础步骤 60
    3.2 网络优化方法 66
    知识拓展 69
    参考文献 69
    第4章 基于深度学习的医学图像分类 70
    4.1 深度学习医学图像分类简介 70
    4.2 VGG 71
    4.3 ResNet 74
    4.4 DenseNet 76
    4.5 Inception 81
    4.6 小结 85
    知识拓展 85
    参考文献 86
    第5章 目标检测 88
    5.1 二阶段检测模型 90
    5.2 单阶段检测模型 92
    知识拓展 98
    参考文献 98
    第6章 生物医学图像分割应用 99
    6.1 图像分割简介 99
    6.2 U-Net及三维U-Net 100
    6.3 基于Attention机制的图像分割 102
    6.4 基于损失函数改进的医学图像分割 106
    6.5 基于多任务学习的医学图像分割 111
    知识拓展 116
    参考文献 117
    第7章 医学图像生成 119
    7.1 医学图像生成的机遇 119
    7.2 基于自编码器的医学图像合成 120
    7.3 基于生成对抗模型的医学图像生成 126
    7.4 基于扩散模型的医学图像合成 138
    7.5 基于医学图像合成的临床应用 148
    知识拓展 152
    参考文献 153
    第8章 基于Transformer的自注意力学习 158
    8.1 Transformer基本原理 158
    8.2 基础的视觉Transformer 164
    8.3 层次化的视觉Transformer 168
    8.4 Transformer的应用与实例 172
    8.5 小结 177
    知识拓展 178
    参考文献 178
    第9章 稀疏成像数据的图像重建 180
    9.1 传统稀疏成像重建方法 181
    9.2 基于映射学习的稀疏成像重建方法 187
    9.3 基于残差学习的稀疏成像重建方法 189
    9.4 基于迭代展开的稀疏成像重建方法 192
    9.5 可用于稀疏成像研究的公共数据集 195
    9.6 小结 200
    知识拓展 201
    参考文献 201
    第10章 图神经网络 203
    10.1 为什么需要学习图数据 203
    10.2 基于图信号处理的卷积图神经网络 204
    10.3 其他图表征学习 210
    10.4 图池化 217
    10.5 其他图神经网络:图生成和动态图分析 222
    10.6 应用场景 223
    知识拓展 227
    参考文献 227

     

    欢迎来到智能医学图像分析这一引人入胜的世界!本书将成为您探索人工智能技术在医学图像分析领域应用的全面指南,通过深入浅出的方式,引导您了解每个关键概念,并通过丰富的案例展示这些概念的实际应用。
    第1章介绍了机器学习的基本原理,覆盖从监督学习技术(如朴素贝叶斯和K-近邻)到无监督学习方法(如聚类和关联规则学习)的内容,促进读者对机器学习基础算法的理解。第2章深入探讨深度学习的数学基础,涵盖激活函数、损失函数及卷积神经网络(CNNs)和循环神经网络(RNNs)的结构等核心概念。第3章揭示了训练和优化人工神经网络的基本步骤,包括定义任务、准备数据集、评估模型和网络优化等关键环节。第4章专注于深度学习在医学图像分类中的应用,讲解VGG、ResNet、DenseNet和Inception等流行架构。第5章深入探讨目标检测领域的算法,剖析两阶段模型(如R-CNN)和单阶段模型(如YOLO)的运行机制与特点。第6章讨论生物医学图像分割的技术和应用,如U-Net、注意机制和改进的损失函数。第7章介绍医学图像生成,包括自动编码器、生成对抗网络(GANs)和扩散模型等技术,并展示其在临床应用中的最新进展。第8章涵盖了Transformer和自注意机制的基础知识及其在医学图像分析中的应用。第9章探讨从稀疏数据中重建图像的方法和挑战。最后,在第10章探讨图神经网络的基本方法和多种实际应用,包括前沿的图注意力网络和时空图神经网络。
    本书的编写团队包括多位在智能医学图像分析领域具有深厚专业知识的专家:张红梅和赵加坤、张方元合作编写了第1章,张红梅、廖国粮和吕孟叶合作编写了第2章,吕孟叶和刘梦汀合作编写了第3章。第3章和第5章由廖国粮编写,第6章由许夏瑜编写,第7章和第10章由刘梦汀编写,第8章和第9章由吕孟叶编写。全书统稿由张红梅和张方元完成。
    无论您是渴望掌握基础知识的新手,还是寻求了解最新进展


     

    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购