目錄 第1章 智慧醫學概述 1 1.1 計算機基礎 1 1.1.1 計算機的發展與分類 1 1.1.2 計算機系統的組成 4 1.1.3 微型計算機硬件系統 5 1.1.4 數制與信息的編碼 7 1.1.5 微型計算機軟件系統 15 1.1.6 軟件工程 20 1.1.7 計算機信息系統安全基礎 25 1.2 醫學大數據及其應用 29 1.2.1 醫學大數據的概念和特征 29 1.2.2 醫學大數據的獲取 30 1.2.3 醫學大數據的相關技術 44 1.3 人工智能及智慧醫學應用 47 1.3.1 人工智能 47 1.3.2 智慧醫學應用 50 習題 57 第2章 智慧醫學語言Python基礎 59 2.1 Python語言及開發環境搭建 59 2.1.1 Python語言介紹及安裝配置 59 2.1.2 PyCharm集成開發環境 61 2.1.3 運行Python語言程序 63 2.1.4 第三方庫介紹 65 2.2 Python語言基礎概述及數據類型 68 2.2.1 代碼規范 68 2.2.2 變量與賦值語句 71 2.2.3 數據類型及運算操作 73 2.2.4 字符串類型及操作 78 2.2.5 Python常用組合數據類型 81 2.3 Python語言程序控制結構 88 2.3.1 分支結構 88 2.3.2 循環結構 91 2.4 函數 97 2.4.1 內置函數 97 2.4.2 自定義函數 98 2.4.3 lambda 函數 101 習題 104 第3章 醫學數據的獲取與分析 106 3.1 醫學數據的獲取與存儲 106 3.1.1 電子病歷數據 106 3.1.2 醫學影像數據 110 3.1.3 醫學數據獲取技術 114 3.2 醫學數據的常用計算模塊 115 3.2.1 numpy模塊 115 3.2.2 pandas模塊 121 3.3 醫學數據的描述性分析 129 3.3.1 平均數 130 3.3.2 *值 130 3.3.3 中位數 130 3.3.4 眾數 131 3.3.5 極差 131 3.3.6 標準差 132 3.3.7 變異系數 132 3.3.8 協方差 132 3.3.9 相關系數 135 3.4 醫學數據文件的讀取與寫入 137 3.4.1 基于表格的二維數據獲取 137 3.4.2 PDF數據的獲取 147 3.4.3 文件與數據庫 154 3.5 醫學數據的歸一化轉換與常見預處理方法 161 3.5.1 中心化與離散化 162 3.5.2 min-max標準化 165 3.5.3 Z-score標準化 166 3.5.4 數據的預處理 167 習題 173 第4章 醫學數據的可視化 176 4.1 matplotlib包可視化醫學數據 176 4.1.1 matplotlib包基本使用 177 4.1.2 pyplot繪圖步驟 179 4.1.3 pyplot常用繪圖函數 183 4.2 seaborn包可視化醫學數據 200 4.2.1 seaborn包的介紹及安裝 200 4.2.2 seaborn中的風格和顏色設置 200 4.2.3 seaborn中的分布型主要作圖函數 202 4.2.4 seaborn中的關系型主要作圖函數 206 4.2.5 seaborn中的分類型主要作圖函數 210 4.3 pyecharts包可視化醫學數據 216 4.3.1 pyecharts包基本使用 216 4.3.2 pyecharts繪圖步驟 219 4.3.3 pyecharts常用繪圖函數 220 習題 227 第5章 醫學圖像處理 231 5.1 醫學影像相關技術 231 5.1.1 常見的醫學影像設備 231 5.1.2 醫學圖像的像素、灰度等級、顏色通道、顏色空間 237 5.1.3 醫學影像獲取 238 5.2 醫學圖像處理基礎 245 5.2.1 醫學圖像的平移、旋轉與翻轉 245 5.2.2 醫學圖像的仿射變換與透視變換 251 5.2.3 醫學圖像的邊緣檢測 253 5.2.4 醫學圖像的卷積與濾波 256 5.3 醫學圖像增強 260 5.3.1 醫學圖像的灰度線性拉伸 260 5.3.2 醫學圖像的直方圖增強 262 5.3.3 醫學圖像的伽馬變換和對數變換 265 5.4 醫學圖像分割與形態學處理 268 5.4.1 醫學圖像的閾值分割 268 5.4.2 形態學醫學圖像的膨脹、腐蝕、開運算、閉運算 272 習題 280 第6章 機器學習及醫學應用 282 6.1 機器學習介紹 282 6.2 線性回歸分析 283 6.2.1 算法原理及實現步驟 284 6.2.2 久坐時間與膽固醇濃度的一元線性回歸分析 286 6.2.3 糖尿病數據線性回歸分析 288 6.3 邏輯回歸 294 6.3.1 算法原理及實現步驟 294 6.3.2 乳腺腫瘤數據邏輯回歸分析 297 6.4 樸素貝葉斯分類 302 6.4.1 算法原理及實現步驟 302 6.4.2 乳腺腫瘤數據樸素貝葉斯分類 304 6.5 支持向量機 306 6.5.1 算法原理及實現步驟 306 6.5.2 采用支持向量機的醫學案例 309 6.6 k-means聚類法 314 6.6.1 算法原理及實現步驟 314 6.6.2 乳腺腫瘤數據k-means聚類分析 316 6.7 深度學習算法 318 6.7.1 卷積神經網絡 318 6.7.2 深度學習框架 320 6.7.3 常見深度學習框架的安裝與使用 321 6.7.4 醫學案例 323 習題 333