本书首先简要介绍人工智能与深度学习的发展历程与应用、临床各种成像以及深度学习环境；然后重点围绕医学影像分类、目标检测与分割三大基本任务展开讲解，阐述每种任务的基本概念与临床意义，介绍典型的深度神经网络，给出医学影像数据集的构建、网络的训练、测试以及性能评价方面的具体方法；最后介绍医学影像深度学习领域常用的公开数据集。此外，针对三大基本任务给出六个案例。本书可作为高等医科院校或高等院校医学相关专业高年级本科生和研究生的教材或参考书，也可供相关领域的科研人员、工程技术人员参考。

"（1）粘永健，陆军军医大学生物医学工程与影像医学系副教授，硕士生导师，长期从事医学影像人工智能的教学和科研工作，讲授本科生的“医学影像人工智能”以及博士研究生的“数字医学与人工智能”等课程，获校级教学成果一等奖，获评校级优秀教师、教学标兵。现任重庆市数字医学学会常务理事，重庆市计算机学会高性能计算专委会委员。先后主持国家与省部级项目5项，近5年在国际人工智能领域知名期刊上发表SCI论文5篇（通讯作者），授权发明专利4项、软件著作权3项。（2）肖晶晶，陆军军医大学第二附属医院生物医学信息研究与应用中心主任，长期从事医学影像人工智能的教学和科研工作，讲授本科生的“医学影像设备学”等课程。先后主持国家与省部级项目5项，近5年发表SCI论文10余篇，授权发明专利3项。（3）戚婧，解放军总医院医学大数据研究中心博士研究生，主要研究方向为医学影像人工智能。近5年发表SCI论文3篇，主持省部级项目1项，曾获第十六届中国研究生电子设计竞赛全国一等奖，获评陆军军医大学优秀研究生。"

前言 2016年，谷歌人工智能围棋程序AlphaGo以绝对优势战胜人类围棋世界冠军李世石，开创了人工智能里程碑式的成功，其背后的深度学习技术功不可没。2022年，深度学习再次发力，被称为史上最会聊天的机器人ChatGPT横空出世，人工智能领域的竞争进入白热化。作为人工智能最活跃的一个分支，深度学习在医学领域的应用也取得了巨大成功，在临床辅助诊断方面显示出良好的应用前景，一度引发了深度学习是否会代替临床医生的讨论热潮。目前普遍认为，深度学习在一段相当长的时间内将作为一种高效的辅助手段协助医生进行疾病诊断，主要目的是提高临床诊断的效率，减少漏诊率。医学影像深度学习已经成为一个重要的研究方向，越来越多的研究生在这个方向上进行科研选题。目前，深度学习领域已经出版了一系列教材和参考书，但极少针对医学影像处理。医学影像作为临床疾病诊断的重要依据之一，利用深度学习技术对其进行分析和处理具有较强的专业性、复杂性和挑战性。本书围绕医学影像深度学习展开论述，在内容设计上重点考虑医学影像分类、目标检测和分割三大基本任务，分别探讨每种任务的具体实施过程以及需要注意的问题，力求帮助学习者更好、更快地跨入医学影像深度学习的大门。 本书重点阐述如何完成医学影像深度学习任务，而非深度学习技术本身。因此，对于具体的深度学习网络，本书并没有展开讲解，读者可以参考其他相关出版物进行学习。全书共分为七章，第1章主要介绍人工智能与深度学习的基本概念和发展历程，并简要给出深度学习在医学影像处理中的研究进展； 第2章主要介绍各种医学成像技术的基本原理、影像特点和临床应用； 第3章主要介绍如何...