《深度学习与医学图像处理》读后感1000字

《深度学习与医学图像处理》是一本由梁隆恺 / 付鹤 / 陈峰蔚 / 刘亚欧 / 熊云云著作，人民邮电出版社出版的平装图书，本书定价：89.80元，页数：184，特精心收集的读后感，希望对大家能有帮助。

《深度学习与医学图像处理》读后感(一)：新近的教材也有值得一读的

深度学习领域是经典教材当道的，一般人并不会去专门看细分领域的中文教材。因此我本来对这本书并没有太高的期待。但这本教材让我感到意外，虽然没有经典教材那样严谨细密，甚至有些缺陷（详见后文），但确实能给学生带来实在的收获，是新入行的朋友们值得一读的。

我遇到的一些学生，特别是对其它领域有一定经验的学生，尽管跑模型、搭框架都很熟练，但在开始进行医学影像方面的研究还是会遇到困难。我首先让他们去学习DICOM的基本操作，再寻找合适的医学图像相关的框架。回想我本人，其实也是这样走过来的。

我还见过一些非常优秀的大同行，他们的术语体系和我们并不完全一致，沟通起来偶尔也会有问题。比如说（面向临床的）医学图像领域有些经典的任务分类，熟悉计算机视觉领域的学者在定义上就和我们会有不一致。且举个例子，“模态”的概念，找一个CV的人，再找一个搞传统影像学的人，他们的第一反应一定是不同的。

随着时代的发展，领域的成熟，我们终于到了一个时刻，有一本参考书可以把那些我们只能靠摸索、只能靠读代码和文档总结的经验以一本教材的形式拿出来。这是非常有意义的事情，体现了学术的下沉。有了这本书，进入这个领域就显著地变容易了。

本书的写法非常好，它给一个新的学生展示了整个pipeline（管线）。我想每个实验室可能都有自己的管线，我本人也有一套方法并努力地协调团队成员进行推广。这一管线包括数据获取、匿名化、标注、预处理等，需要有很多的工具。本书就提供了这样一条管线的良好范例。虽然具体的方法和我常用的模式完美避开，但这只是风格之分，没有优劣之分。按照这个管线下来也能把项目很好地做出来。后面针对各任务进行简单的介绍，结合比较新近的模型和技术展示了完整 代码。这也让我开阔了眼界，因为对我不感兴趣的任务，之前我是不会去看代码的。

本书也很短，如果不去调试代码的话几小时就读完了。这也是它和大部头经典教材之区别所在，它给的不多，但足够用心，恰恰给到你所需要的那些信息。所以，如果对医学图像处理背后的理论以及工具链的使用一无所知的话，这本书并不是一个很好的选择。这本书适合那些学习过基本知识，但没接触过实际业务的新手。同样地，作为大三之后的课程教材，这本书也是极为合适的。如果仅仅想通过代码学习些基本的套路，这本书也带你读了一遍代码，也会很有收获。

最后提一些可以改进的点。首先，在深度学习框架的选择上采用了TensorFlow+keras的模式。这个固然没有任何问题，但这几年pytorch大行其道，再版时可考虑适当倾斜。另外，代码风格方面也不是很严谨，本可以更加简洁优雅规整。

无论如何，一个年轻人团队能拿出这样的作品，也是以他们的努力为社区做出了重要的积极贡献。

《深度学习与医学图像处理》读后感(二)：AI赋能医学图像处理的入门实战参考书

人工智能在近几十年的发展过程中，促进了各行各业的飞速发展，呈现多种应用场景齐头并进，多种协作方法协作互补的趋势。今天，很多人的目光都被ChatGPT吸引，殊不知，人工智能的范围很大，远不止ChatGPT或者其他自然语言处理工具。不管ChatGPT的结果如何，毫无疑问AI仍然是未来。那么在ChatGPT之外，还有没有什么值得关注的人工智能技术和应用呢？事实上，人工智能在医学领域的应用就是一个很有前景的研究方向。

迄今为止，这方面最有意义的一项成果是DeepMind公司（Google的子公司）做的AlphaFold，也就是用深度学习解构蛋白质的结构，研究蛋白质的折叠问题。几乎所有和人的衰老有关的疾病，都和蛋白质的合成有关。因此，研究清楚这个问题，是解决衰老的关键。然而，蛋白质是一种非常复杂的有机分子，由很多氨基酸组成的链构成。今天，人类发现了很多种蛋白质，但是无法搞清楚它们的结构。目前，和人类已经解构的结果对比，AlphaFold解构蛋白质的准确率高达70%。这项成果的意义重大，它可改变生物学和制药学的发展，一旦成功，对人类的福祉有很大的帮助。

由于人工智能在医学领域的应用专业性比较强，当前很多从事医学图像分析及影像学研究的工作人员，对深度学习算法以及医学数字图像的基础知识掌握并不完善。目前市面上兼顾讲解AI算法与医学图像分析实战的图书比较少，很多朋友很难将书本上的方法落地，训练出的模型也很难优化并产生临床价值。

如果你在工作中有上述困惑，我推荐你阅读《深度学习与医学图像处理》。这是一本介绍“如何使用深度学习方法解决医学图像处理问题”的入门图书。本书先介绍医学图像的基础知识，包括医学图像数据、数据标注、医学数字图像处理和医学图像分类；在此基础上依次介绍解决医学图像处理中常见的机器视觉任务，具体包括图像语义分割、关键点检测和医学图像配准等任务，并辅以实战案例，帮助读者深入理解相关技术原理，进而巩固所学知识；最后介绍深度学习的模型优化和迁移学习的相关内容，帮助广大从事医学图像分析的朋友拓宽思路，能结合具体的临床需求不断优化模型，达到提升诊断效率，提升患者就医体验的目的。

基于深度学习方法的医学图像处理是一个很有前景的研究方向，对放射影像学的疾病诊断，监测疗效，判断预后产生很大的促进作用，对医患关系的提升也有很大帮助。医学具有科学与人文的双重属性，科技给人文赋予力量，体制用温情推动更多人享受到医学的福祉。这样医学才能得到长足的发展与进步。

深度学习与医学图像处理

《深度学习与医学图像处理》读后感(三)：用AI解决医学图像处理难题，行业前辈推荐的入门参考书！

去医院看病，你应该遇到医生让“拍个片子”的情况。拍完片子，时常要等一段时间才能拿到结果，短则十几分钟，长则个把小时。

很多人会因此而吐槽医学的效率低，但他们可能不知道的是：从拍片子到给出结果，其中蕴含着影像医生的心血——随着技术的进步，医学影像的精度和维度都得到提升，医生往往要分析几百甚至上万张图像，结合数据与临床经验，才能判断患者有没有影像学上的异常，进而给精确的定位与定性诊断。

图：医生利用医学影像进行诊断

面对庞杂的医学影像信息，即便经验最丰富的医学影像和临床专业人员，有时也难以快速整理、精准解读海量图像数据信息。

还好，深度学习的引入解决了这个燃眉之急。

有了深度学习技术的加持，自动识别图像数据中的复杂模式成为现实，进而可以辅助医生针对影像学特征作出评估，比如预测急性脑卒中患者最终的梗死体积，既可以分担医生读片的压力，也提升了诊断的效率和准确率。

深度学习在医学图像领域的应用是近几年的行业热点，很多医生、研究人员抑或从事相关产品开发的从业者都迫切希望了解和掌握这方面的技能。

对此，小异向大家隆重推荐由业内一线工程师联袂医生、研究人员合力编写的一本书——《深度学习与医学图像处理》！

随着人工智能技术的迅速发展和医疗设备的迭代升级，医疗领域是人工智能极具潜力的应用领域之一，人工智能技术在医疗领域的应用场景日渐增多，医学图像处理就是近几年非常热门的赛道之一。

其中，医学图像（X 线 CT、MRI等）数据是疾病诊断、鉴别诊断、监测疗效和判断的重要方法和手段。也成为现代医学进步的巨大推动力。

近年来，已经有不少医院逐渐将AI与医学图像技术融合来提高诊断效率，其中基于深度学习的医学图像分析成为研究的热点问题。

本书五位作者陈峰蔚、梁隆恺、刘亚欧、付鹤、熊云云。这还不够，本书还有王雷、李鑫鑫、邓悦、赵琪、隋雨桐、杨曦、秦梓鑫、张栗源、黄一锟和赵煜共计十位参编作者，他们大多来自海内外知名院校，具有计算机或者生物、医疗背景。

值得一提的是，本书还承载了首都医科大学附属天坛医院国家神经系统疾病临床医学研究中心、昌平国家实验室和安德医智（BioMind）等单位对“AI医疗”交叉学科的践行理念，经这些单位和写作团队的倾力支持，本书终于得以顺利付梓。

在AI医疗领域的研究过程中，几位作者发现：很多刚入行的新人对人工智能、医学图像的基础知识的了解并不全面。

小异发现，市场上不乏深度学习相关的技术图书，但是其中深度学习与医学图像相结合的确很难找到。

写一本“使用深度学习方法解决医学图像处理问题”这样的书，既成为了本书的目标，也是了作者的初衷。

由于本书既涉及深度学习，又涉及医学图像处理，因此医工交叉专业和医学图像处理工作者和科研者是本书主要面向的人群。

除此之外，智能医学等专业的高年级本科生及研究生也可以把这本书作为参考。 由于本书涉及的学科知识分布广，因此并不适合没有编程实战的新手小白。 小异提示：阅读之前，请确定你了解基本的深度学习知识，并有一定的Python编程基础。

图：功能磁共振成像（选自本书）

对于医学图像基础知识匮乏的开发者，书中前 4 章是学习的重点；对于AI基础薄弱的医学生，则应当重点阅读第5-10 章的内容。

▮第1章为背景知识，回顾了人工智能医疗的发展，科普了人工智能在医学图像上的应用；

▮第2-4章围绕“数据”展开，包括数据的分类、图像标注的流程和方法、软件的使用、分析和处理的方法等；

▮第5-7章主要介绍深度学习在医学图像上的几种典型任务，包括图像分类、图像语义分割和图像关键点检测；

▮第8-10章的核心主题为图像配准、深度学习模型优化和迁移学习在医学图像上的应用。

此外，书中的5大案例也十分贴近临床应用，分别为基于颅内CT影像的脑出血分类检测、基于MRI影像的脑肿瘤分割、颅内出血CT影像分类模型的量化、数据失衡的颅内影像出血检测优化方法、深度学习图像配准模型VoxelMorph。

图：MRI 成像（选自本书）

业内人士一看就知道这些案例对实践的指导意义之大。

作为一本解决实际问题的技术书，实战案例均配有源代码，可以让读者更轻松、快速地上手。 为了增强 API 的易用性和代码的可读性，提高深度学习开发者编写模型的效率，便于读者复用书中的代码进行开发，作者采用的 API 是 Keras，同时再加Model、Optimizer 等的一些抽象，更好地提升了开发效果。

在模型的训练与测试时，为了保证灵活性，作者采用了TensorFlow 实现，让读者可以更清晰地看到数据的读取方式、模型的训练过程，进而可以更方便地试模型。

本书实战代码均采用Python 语言编写，相对门槛较低，初学者也能轻松掌握。全部源代码均可从异步社区下载，使用的开源数据集包括Medical Segmentation Decathlon 的 MRI 影像数据集、BRATS2017 数据集等。