第1章 機(jī)器學(xué)習(xí)原理 1.1 機(jī)器學(xué)習(xí)方法 1.2 特征與降維 知識(shí)拓展 參考文獻(xiàn) 第2章 深度學(xué)習(xí)原理 2.1 深度學(xué)習(xí)數(shù)學(xué)基礎(chǔ) 2.2 卷積神經(jīng)網(wǎng)絡(luò) 2.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 2.4 小結(jié) 知識(shí)拓展 參考文獻(xiàn) 第3章 如何訓(xùn)練和優(yōu)化人工神經(jīng)網(wǎng)絡(luò) 3.1 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練基礎(chǔ)步驟 3.2 網(wǎng)絡(luò)優(yōu)化方法 知識(shí)拓展 參考文獻(xiàn) 第4章 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分類 4.1 深度學(xué)習(xí)醫(yī)學(xué)圖像分類簡(jiǎn)介 4.2 VGG 4.3 ResNet 4.4 DenseNet 4.5 Inception 4.6 小結(jié) 知識(shí)拓展 參考文獻(xiàn) 第5章 目標(biāo)檢測(cè) 5.1 二階段檢測(cè)模型 5.2 單階段檢測(cè)模型 知識(shí)拓展 參考文獻(xiàn) 第6章 生物醫(yī)學(xué)圖像分割應(yīng)用 6.1 圖像分割簡(jiǎn)介 6.2 U-Net及三維U-Net 6.3 基于Attention機(jī)制的圖像分割 6.4 基于損失函數(shù)改進(jìn)的醫(yī)學(xué)圖像分割 6.5 基于多任務(wù)學(xué)習(xí)的醫(yī)學(xué)圖像分割 知識(shí)拓展 參考文獻(xiàn) 第7章 醫(yī)學(xué)圖像生成 7.1 醫(yī)學(xué)圖像生成的機(jī)遇 7.2 基于自編碼器的醫(yī)學(xué)圖像合成 7.3 基于生成對(duì)抗模型的醫(yī)學(xué)圖像生成 7.4 基于擴(kuò)散模型的醫(yī)學(xué)圖像合成 7.5 基于醫(yī)學(xué)圖像合成的臨床應(yīng)用 知識(shí)拓展 參考文獻(xiàn) 第8章 基于Transformer的自注意力學(xué)習(xí) 8.1 Transformer基本原理 8.2 基礎(chǔ)的視覺Transformer 8.3 層次化的視覺Transformer 8.4 Transformer的應(yīng)用與實(shí)例 8.5 小結(jié) 知識(shí)拓展 參考文獻(xiàn) 第9章 稀疏成像數(shù)據(jù)的圖像重建 9.1 傳統(tǒng)稀疏成像重建方法 9.2 基于映射學(xué)習(xí)的稀疏成像重建方法 9.3 基于殘差學(xué)習(xí)的稀疏成像重建方法 9.4 基于迭代展開的稀疏成像重建方法 9.5 可用于稀疏成像研究的公共數(shù)據(jù)集 9.6 小結(jié) 知識(shí)拓展 參考文獻(xiàn) 0章 圖神經(jīng)網(wǎng)絡(luò) 10.1 為什么需要學(xué)習(xí)圖數(shù)據(jù) 10.2 基于圖信號(hào)處理的卷積圖神經(jīng)網(wǎng)絡(luò) 10.3 其他圖表征學(xué)習(xí) 10.4 圖池化 10.5 其他圖神經(jīng)網(wǎng)絡(luò)：圖生成和動(dòng)態(tài)圖分析 10.6 應(yīng)用場(chǎng)景 知識(shí)拓展 參考文獻(xiàn)