第一部分 引 言 /1
1 引言：放射学界的规则改变者 /2
1.1 变革的时代 /2
1.2 观点透视 /2
1.3 未来的机遇 /3
1.4 结论 /3
参考文献 /4
第二部分 技术：新手入门 /5
2 医学图像计算和机器学习在医疗中的作用 /6
2.1 引言 /6
2.2 医学图像分析 /6
2.3 挑战 /8
2.4 医学图像计算 /9
2.5 基于模型的图像分析 /10
2.6 计算策略 /12
2.7 基本问题 /15
2.8 结论 /17
参考文献 /17
3 对深度学习的深层理解 /19
3.1 引言 /19
3.2 计算机辅助诊断经典方法 /19
3.3 人工智能 /20
3.4 神经网络 /20
3.5 卷积神经网络 /23
3.6 为什么是现在 /24
3.7 案例：糖尿病视网膜病变筛查 /25
3.8 网络信息指南 /26
3.9 大脑研究的比较 /26
3.10 结论及建议 /30
3.11 要点 /31
参考文献 /31
4 影像中的深度学习和机器学习：基础原理 /33
4.1 引言 /33
4.2 特征和分类 /33
4.3 神经网络 /34
4.4 支持向量机 /35
4.5 决策树 /35
4.6 贝叶斯网络 /36
4.7 深度学习 /36
4.8 结论 /38
参考文献 /38
第三部分 技术：开发人工智能应用 /41
5 如何开发人工智能应用 /42
5.1 引言 /42
5.2 人工智能在放射学中的应用 /43
5.3 医学影像人工智能应用的发展 /46
5.4 资源框架 /48
5.5 结论 /49
5.6 总结/ 要点 /49
参考文献 /50
6 放射学中机器学习的图像数据标准化准备方法 /51
6.1 数据，数据是否无处不在 /51
6.2 并非所有数据都对等 /52
6.3 医学影像数据准备度量表 /53
6.4 总结 /59
6.5 要点 /60
参考文献 /60
7 结构化报告对人工智能的价值 /62
7.1 引言 /62
7.2 传统影像学报告与结构化报告的比较 /62
7.3 结构化报告与医疗企业集成影像学报告模板管理的技术实现 /63
7.4 使用自然语言处理提取信息 /64
7.5 结构化报告的信息提取 /65
7.6 将外部数据整合入结构化报告 /65
7.7 分析和临床决策支持 /66
7.8 展望 /67
7.9 要点 /67
参考文献 /67
8 医学中的人工智能：验证和研究设计 /70
8.1 人工智能技术在医学领域的验证 /70
8.2 医学人工智能的安全性 /71
8.3 应用临床研究评估模型效能 /72
8.4 研究设计举例 /83
8.5 医学人工智能的安全性评估 /84
8.6 要点 /86
参考文献 /86
第四部分 医疗中的大数据 /89
9 医疗影像企业化管理系统 /90
9.1 引言 /90
9.2 医疗影像企业化管理系统基本原则 /91
9.3 医疗影像企业化管理系统平台 /91
9.4 医疗影像企业化管理系统平台和跨机构影像
共享的标准和技术 /94
9.5 法律层面 /95
9.6 人工智能背景下的医疗影像企业化管理系统 /96
9.7 要点 /98
参考文献 /98
10 影像生物标志物和影像生物样本库 /100
10.1 引言 /100
10.2 阶段性发展 /101
10.3 验证 /102
10.4 影像生物样本库 /103
10.5 结论 /105
10.6 要点 /105
参考文献 /105
第五部分 人工智能在放射学领域中的实际应用案例 /107
11 影像解析以外的人工智能应用 /108
11.1 影像的适用性和利用率 /109
11.2 患者时间安排 /109
11.3 成像协议 /109
11.4 改善影像质量和缩短MRI 采集时间 /110
11.5 改善影像质量和降低辐射剂量 /110
11.6 影像转换 /110
11.7 影像质量评估 /111
11.8 挂片协议 /111
11.9 报告 /111
11.10 文本概述和报告翻译 /112
11.11 语音识别 /113
11.12 随访 /113
11.13 工作列表优化 /113
11.14 人员优化 /113
11.15 商业智能和商业分析 /114
11.16 基于内容的图像检索 /114
11.17 患者安全 /114
11.18 计费 /115
11.19 患者体验 /115
11.20 挑战 /115
11.21 结论 /116
11.22 要点 /116
参考文献 /116
12 胸部病变的人工智能与计算机辅助评估 /121
12.1 引言 /121
12.2 胸部X 线摄影 /121
12.3 肺结节 /122
12.4 肺癌影像组学 /127
12.5 肺栓塞 /129
12.6 肺实质和气道病变 /131
12.7 间质性肺疾病 /133
12.8 结论 /137
12.9 总结 /137
参考文献 /137
13 心血管疾病 /141
13.1 引言 /141
13.2 人工智能对心血管影像的影响 /142
13.3 人工智能在不同心血管影像检查设备中的实际应用 /143
13.4 展望和结论 /152
13.5 要点 /153
参考文献 /153
14 乳腺癌筛查中的深度学习 /158
14.1 背景 /158
14.2 自动化系统的目标 /164
14.3 深度学习用于乳腺X 线检查的挑战 /168
14.4 未来的方向 /174
14.5 总结 /177
14.6 要点 /178
参考文献 /178
15 神经系统疾病 /184
15.1 引言 /184
15.2 脑成像的预处理 /184
15.3 应用 /185
15.4 结论 /190
15.5 要点 /190
参考文献 /190
16 临床试验中的人工智能 /196
16.1 引言 /196
16.2 临床试验中的医学影像标准化 /197
16.3 人工智能在临床试验中的应用 /201
16.4 数字孪生和计算机模拟临床试验 /204
16.5 结论 /205
16.6 总结 /205
参考文献 /205
第六部分 质量、监管及伦理问题 /207
17 医学影像和数据的质量与监护 /208
17.1 引言 /208
17.2 数据挖掘和检索 /209
17.3 数据质量 /211
17.4 附加值 /212
17.5 长效性 /212
17.6 必备工具介绍 /213
17.7 结论 /213
参考文献 /213
18 未来社会是否需要机器人和人工智能拥有法律人格 /215
18.1 范式转换 /215
18.2 法律地位 /217
18.3 作为行为人的人工智能和机器人 /218
18.4 法律主体性 /219
18.5 人类是（自然意义上的）法人 /221
18.6 自主人工智能实体 /225
18.7 人类和机器人结合的问题 /227
18.8 另类人格 /229
18.9 作为法律行为人的人工智能实体和机器人 /233
18.10 何去何从 /237
参考文献 /240
19 人工智能生态系统在放射学中的作用 /243
19.1 商业生态系统定义 /243
19.2 用于医疗和诊断成像的人工智能生态系统 /245
19.3 以诊断成像为重点，定义医疗领域的人工智能生态系统 /246
19.4 将人工智能系统广泛应用于临床：放射科医师的挑战与机遇，以及医学专业学会的作用 /257
19.5 放射学人工智能生态系统研究概括 /266
19.6 结论 /268
19.7 要点 /268
参考文献 /268
20 人工智能对放射科医师的价值、挑战和风险 /273
20.1 放射学的创新 /273
20.2 放射科对人工智能的期望水平 /276
20.3 为未来做准备的策略 /279
20.4 隐蔽的风险和危险 /281
20.5 要点 /284
参考文献 /285
术 语 表 /287
索引 /298
温馨提示：请使用湖州市图书馆的读者帐号和密码进行登录
