本书从多个方向展示了人工智能在放射学和其他相关专业中的应用，从阐述医学影像计算、信息学和机器学习在医疗领域中的作用出发，到深入探讨影像学中的深度学习（DL）和神经网络（NN）的原理，为如何开发人工智能应用提供了指导，并提出了放射学中机器学习任务的医学图像数据准备度（MIDaR）量表。书中进一步强调了针对开发者的几个重要医学影像人工智能领域，如结构化报告的价值、人工智能应用的验证、医疗影像企业化管理系统、影像生物学标志物和影像生物样本库。本书详细地讲述了人工智能在放射学中的实际应用案例，如胸部病变、心血管疾病、乳腺癌、神经系统疾病、临床试验及影像学之外的其他应用。关于人工智能在经济和法律方面的考量，本书对监管基础设施、市场和经济学观点及人工智能生态系统对放射学的重要性这三方面进行了详细阐述。最后，本书向放射科医师列举了人工智能的优势和风险，通过提出将放射科作为医学专业的“重新思考”来平衡二者的关系。本书沿着医疗创新的“高速公路”，在医疗质量和患者安全性原则的指导下，引导放射科医师和数据科学家向同一个方向前进。

第一部分 引言
1 引言：放射学界的规则改变者
1.1 变革的时代
1.2 观点透视
1.3 未来的机遇
1.4 结论
参考文献
第二部分 技术：新手入门
2 医学图像计算和机器学习在医疗中的作用
2.1 引言
2.2 医学图像分析
2.3 挑战
2.4 医学图像计算
2.5 基于模型的图像分析
2.6 计算策略
2.7 基本问题
2.8 结论
参考文献
3 对深度学习的深层理解
3.1 引言
3.2 计算机辅助诊断经典方法
3.3 人工智能
3.4 神经网络
3.5 卷积神经网络
3.6 为什么是现在
3.7 案例：糖尿病视网膜病变筛查
3.8 网络信息指南
3.9 大脑研究的比较
3.10 结论及建议
3.11 要点
参考文献
4 影像中的深度学习和机器学习：基础原理
4.1 引言
4.2 特征和分类
4.3 神经网络
4.4 支持向量机
4.5 决策树
4.6 贝叶斯网络
4.7 深度学习
4.8 结论
参考文献
第三部分 技术：开发人工智能应用
5 如何开发人工智能应用
5.1 引言
5.2 人工智能在放射学中的应用
5.3 医学影像人工智能应用的发展
5.4 资源框架
5.5 结论
5.6 总结/要点
参考文献
6 放射学中机器学习的图像数据标准化准备方法
6.1 数据，数据是否无处不在
6.2 并非所有数据都对等
6.3 医学影像数据准备度量表
6.4 总结
6.5 要点
参考文献
7 结构化报告对人工智能的价值
7.1 引言
7.2 传统影像学报告与结构化报告的比较
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
7.4 使用自然语言处理提取信息
7.5 结构化报告的信息提取
7.6 将外部数据整合入结构化报告
7.7 分析和临床决策支持
7.8 展望
7.9 要点
参考文献
8 医学中的人工智能：验证和研究设计
8.1 人工智能技术在医学领域的验证
8.2 医学人工智能的安全性
8.3 应用临床研究评估模型效能
8.4 研究设计举例
8.5 医学人工智能的安全性评估
8.6 要点
参考文献
第四部分 医疗中的大数据
9 医疗影像企业化管理系统
9.1 引言
9.2 医疗影像企业化管理系统基本原则
9.3 医疗影像企业化管理系统平台
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
9.5 法律层面
9.6 人工智能背景下的医疗影像企业化管理系统
9.7 要点
参考文献
10 影像生物标志物和影像生物样本库
10.1 引言
10.2 阶段性发展
10.3 验证
10.4 影像生物样本库
10.5 结论
10.6 要点
参考文献
第五部分 人工智能在放射学领域中的实际应用案例
11 影像解析以外的人工智能应用
11.1 影像的适用性和利用率
11.2 患者时间安排
11.3 成像协议
11.4 改善影像质量和缩短MRI采集时间
11.5 改善影像质量和降低辐射剂量
11.6 影像转换
11.7 影像质量评估
11.8 挂片协议
11.9 报告
11.10 文本概述和报告翻译
11.11 语音识别
11.12 随访
11.13 工作列表优化
11.14 人员优化
11.15 商业智能和商业分析
11.16 基于内容的图像检索
11.17 患者安全
11.18 计费
11.19 患者体验
11.20 挑战
11.21 结论
11.22 要点
参考文献
12 胸部病变的人工智能与计算机辅助评估
12.1 引言
12.2 胸部X线摄影
12.3 肺结节
12.4 肺癌影像组学
12.5 肺栓塞
12.6 肺实质和气道病变
12.7 间质性肺疾病
12.8 结论
12.9 总结
参考文献
13 心血管疾病
13.1 引言
13.2 人工智能对心血管影像的影响
13.3 人工智能在不同心血管影像检查设备中的实际应用
13.4 展望和结论
13.5 要点
参考文献
14 乳腺癌筛查中的深度学习
14.1 背景
14.2 自动化系统的目标
14.3 深度学习用于乳腺x线检查的挑战
14.4 未来的方向
14.5 总结
14.6 要点
参考文献
15 神经系统疾病
15.1 引言
15.2 脑成像的预处理
15.3 应用
15.4 结论
15.5 要点
参考文献
16 临床试验中的人工智能
16.1 引言
16.2 临床试验中的医学影像标准化
16.3 人工智能在临床试验中的应用
16.4 数字孪生和计算机模拟临床试验
16.5 结论
16.6 总结
参考文献
第六部分 质量、监管及伦理问题
17 医学影像和数据的质量与监护
17.1 引言
17.2 数据挖掘和检索
17.3 数据质量