随着人工智能（AI）技术的迅猛发展，其在众多领域都引发了颠覆性变革，在医学影像领域尤为显著。本书作为一本专业工具书，旨在构建人工智能与医学影像的交叉知识体系，填补理论知识与实践应用之间的鸿沟，通过系统性技术解析与临床转化路径探讨，为相关从业者提供技术演进方向与应用实践参考。全书分为8章，包括医学影像技术基础、机器学习基础、医学影像AI项目流程、医学影像AI任务实践、模型推理优化、进入大模型时代、医学影像开源数据集、医学影像人工智能面临的挑战。每章独立设计，以适应不同背景读者的需求。针对医学影像工作者的实际需求，本书提供可操作性技术方案用于提升影像分析效率；对于临床医师群体，则通过机理阐释与案例演示，辅助构建跨学科协作框架下的精准诊疗思维。

第1章 医学影像技术基础
1.1 医学影像技术概述
1.2 磁共振成像
1.3 超声成像
1.4 X线摄影和计算机断层扫描
1.5 DICOM（医学数字成像和通信标准）
1.5.1 概述
1.5.2 DICOM文件格式
1.5.3 DICOM网络协议
1.5.4 实例
1.6 影像存储与传输系统
1.6.1 PACS系统的核心功能
1.6.2 PACS系统的发展趋势
第2章 机器学习基础
2.1 医学影像AI涉及的任务
2.2 分类
2.2.1 分类技术和模型
2.2.1.1 支持向量机(SVM)
2.2.1.2 深度学习
2.2.2 分类在医学影像中的应用
2.2.3 挑战和未来方向
2.3 物体检测
2.3.1 物体检测基础知识
2.3.2 物体检测技术
2.3.3 物体检测在医学影像中的应用
2.3.4 挑战和未来方向
2.4 分割
2.4.1 医学影像中的分割类型
2.4.2 医学影像分割技术
2.4.3 分割在医学影像中的应用
2.4.4 现存挑战
2.5 深度学习和神经网络
2.5.1 深度学习的历史
2.5.2 人工神经元
2.5.3 全连接神经网络
2.5.3.1 全连接网络的结构
2.5.3.2 用于推理的前向传播
2.5.3.3 用于训练的反向传播
2.6 卷积神经网络
2.6.1 CNN的架构
2.6.1.1 卷积层
2.6.1.2 激活函数
2.6.1.3 池化层
2.6.1.4 全连接层
2.6.2 CNN的发展过程
2.6.3 U-Net
2.6.3.1 U-Net的架构
2.6.3.2 下采样路径（编码器）
2.6.3.3 上采样路径（解码器）
2.6.3.4 U-Net的特点
2.6.3.5 U-Net的应用
2.6.3.6 U-Net的局限性和改进
2.6.4 nnU-Net
2.6.4.1 nnU-Net的提出动机
2.6.4.2 nnU-Net的表现
2.6.4.3 nnU-Net的架构特点
2.6.4.4 nnU-Net的优势
2.6.4.5 nnU-Net的局限性
2.7 Transformer
2.7.1 背景及动机
2.7.2 模型架构
2.7.2.1 编码器-解码器(Encoder-Decoder)
2.7.2.2 自注意力机制
2.7.2.3 位置编码(Positional Encoding)
2.7.3 Vision Transformer
2.7.4 基于Transformer的分割技术: Segment Anything Model
2.7.4.1 动机
2.7.4.2 SAM 的数学原理
2.7.4.3 Medical SAM
2.7.5 Transformer和CNN的对比
第3章 医学影像AI项目流程
3.1 概述
3.2 数据收集和预处理
3.2.1 内部数据和开源数据
3.2.2 数据集的范围
3.2.3 统一数据格式
3.2.4 预处理医学影像数据
3.3 数据标注
3.3.1 医学影像数据标注
3.3.2 标注工具
3.3.2.1 多功能平台3D Slicer
3.3.2.2 医学影像分割平台ITK-SNAP
3.3.2.3 影禾iResearch标注工具
3.3.3 解剖结构标注
3.3.4 病变标注
3.3.5 医学影像标注的难度
3.4 模型选择和架构
3.4.1 确定任务
3.4.2 分类
3.4.3 检测
3.4.4 分割
3.4.5 配准
3.4.6 结论
3.5 模型训练和验证
3.5.1 训练模型
3.5.2 验证模型
3.5.2.1 指标验证
3.5.2.2 临床验证
3.5.3 需关注的问题
3.5.4 结论
3.6 AI模型在临床工作流程中的应用
3.6.1 临床需求评估
3.6.2 模型部署和影像科工作流集成
3.6.2.1 面临的挑战
3.6.2.2 解决方案：整体的AI集成方案
3.6.3 培训和支持
3.6.4 评估和反馈
3.6.5 结论
3.7 模型解读
3.7.1 挑战
3.7.2 增强可解释性的策略
3.7.3 培训和继续教育
3.7.4 结论
3.8 基座模型时代的流程
3.8.1 基座模型
3.8.2 基座模型驱动的下游任务
3.8.3 基座模型面临的挑战
3.8.4 结论
第4章 医学影像AI任务实践
第5章 模型推理优化
第6章 进入大模型时代
第7章 医学影像开源数据集
第8章 医学影像人工智能面临的挑战
结束语 拥抱医学影像领域人工智能的未来
参考文献