目錄
第1章 智慧醫(yī)學(xué)概述 1
1.1 計算機基礎(chǔ) 1
1.1.1 計算機的發(fā)展與分類 1
1.1.2 計算機系統(tǒng)的組成 4
1.1.3 微型計算機硬件系統(tǒng) 5
1.1.4 數(shù)制與信息的編碼 7
1.1.5 微型計算機軟件系統(tǒng) 15
1.1.6 軟件工程 20
1.1.7 計算機信息系統(tǒng)安全基礎(chǔ) 25
1.2 醫(yī)學(xué)大數(shù)據(jù)及其應(yīng)用 29
1.2.1 醫(yī)學(xué)大數(shù)據(jù)的概念和特征 29
1.2.2 醫(yī)學(xué)大數(shù)據(jù)的獲取 30
1.2.3 醫(yī)學(xué)大數(shù)據(jù)的相關(guān)技術(shù) 44
1.3 人工智能及智慧醫(yī)學(xué)應(yīng)用 47
1.3.1 人工智能 47
1.3.2 智慧醫(yī)學(xué)應(yīng)用 50
習(xí)題 57
第2章 智慧醫(yī)學(xué)語言Python基礎(chǔ) 59
2.1 Python語言及開發(fā)環(huán)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(fā)環(huán)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(chǔ)概述及數(shù)據(jù)類型 68
2.2.1 代碼規(guī)范 68
2.2.2 變量與賦值語句 71
2.2.3 數(shù)據(jù)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(shù)據(jù)類型 81
2.3 Python語言程序控制結(jié)構(gòu) 88
2.3.1 分支結(jié)構(gòu) 88
2.3.2 循環(huán)結(jié)構(gòu) 91
2.4 函數(shù) 97
2.4.1 內(nèi)置函數(shù) 97
2.4.2 自定義函數(shù) 98
2.4.3 lambda 函數(shù) 101
習(xí)題 104
第3章 醫(yī)學(xué)數(shù)據(jù)的獲取與分析 106
3.1 醫(yī)學(xué)數(shù)據(jù)的獲取與存儲 106
3.1.1 電子病歷數(shù)據(jù) 106
3.1.2 醫(yī)學(xué)影像數(shù)據(jù) 110
3.1.3 醫(yī)學(xué)數(shù)據(jù)獲取技術(shù) 114
3.2 醫(yī)學(xué)數(shù)據(jù)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(yī)學(xué)數(shù)據(jù)的描述性分析 129
3.3.1 平均數(shù) 130
3.3.2 最值 130
3.3.3 中位數(shù) 130
3.3.4 眾數(shù) 131
3.3.5 極差 131
3.3.6 標(biāo)準(zhǔn)差 132
3.3.7 變異系數(shù) 132
3.3.8 協(xié)方差 132
3.3.9 相關(guān)系數(shù) 135
3.4 醫(yī)學(xué)數(shù)據(jù)文件的讀取與寫入 137
3.4.1 基于表格的二維數(shù)據(jù)獲取 137
3.4.2 PDF數(shù)據(jù)的獲取 147
3.4.3 文件與數(shù)據(jù)庫 154
3.5 醫(yī)學(xué)數(shù)據(jù)的歸一化轉(zhuǎn)換與常見預(yù)處理方法 161
3.5.1 中心化與離散化 162
3.5.2 min-max標(biāo)準(zhǔn)化 165
3.5.3 Z-score標(biāo)準(zhǔn)化 166
3.5.4 數(shù)據(jù)的預(yù)處理 167
習(xí)題 173
第4章 醫(yī)學(xué)數(shù)據(jù)的可視化 176
4.1 matplotlib包可視化醫(yī)學(xué)數(shù)據(jù) 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(shù) 183
4.2 seaborn包可視化醫(yī)學(xué)數(shù)據(jù) 200
4.2.1 seaborn包的介紹及安裝 200
4.2.2 seaborn中的風(fēng)格和顏色設(shè)置 200
4.2.3 seaborn中的分布型主要作圖函數(shù) 202
4.2.4 seaborn中的關(guān)系型主要作圖函數(shù) 206
4.2.5 seaborn中的分類型主要作圖函數(shù) 210
4.3 pyecharts包可視化醫(yī)學(xué)數(shù)據(jù) 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(shù) 220
習(xí)題 227
第5章 醫(yī)學(xué)圖像處理 231
5.1 醫(yī)學(xué)影像相關(guān)技術(shù) 231
5.1.1 常見的醫(yī)學(xué)影像設(shè)備 231
5.1.2 醫(yī)學(xué)圖像的像素、灰度等級、顏色通道、顏色空間 237
5.1.3 醫(yī)學(xué)影像獲取 238
5.2 醫(yī)學(xué)圖像處理基礎(chǔ) 245
5.2.1 醫(yī)學(xué)圖像的平移、旋轉(zhuǎn)與翻轉(zhuǎn) 245
5.2.2 醫(yī)學(xué)圖像的仿射變換與透視變換 251
5.2.3 醫(yī)學(xué)圖像的邊緣檢測 253
5.2.4 醫(yī)學(xué)圖像的卷積與濾波 256
5.3 醫(yī)學(xué)圖像增強 260
5.3.1 醫(yī)學(xué)圖像的灰度線性拉伸 260
5.3.2 醫(yī)學(xué)圖像的直方圖增強 262
5.3.3 醫(yī)學(xué)圖像的伽馬變換和對數(shù)變換 265
5.4 醫(yī)學(xué)圖像分割與形態(tài)學(xué)處理 268
5.4.1 醫(yī)學(xué)圖像的閾值分割 268
5.4.2 形態(tài)學(xué)醫(yī)學(xué)圖像的膨脹、腐蝕、開運算、閉運算 272
習(xí)題 280
第6章 機器學(xué)習(xí)及醫(yī)學(xué)應(yīng)用 282
6.1 機器學(xué)習(xí)介紹 282
6.2 線性回歸分析 283
6.2.1 算法原理及實現(xiàn)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(shù)據(jù)線性回歸分析 288
6.3 邏輯回歸 294
6.3.1 算法原理及實現(xiàn)步驟 294
6.3.2 乳腺腫瘤數(shù)據(jù)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(xiàn)步驟 302
6.4.2 乳腺腫瘤數(shù)據(jù)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(xiàn)步驟 306
6.5.2 采用支持向量機的醫(yī)學(xué)案例 309
6.6 k-means聚類法 314
6.6.1 算法原理及實現(xiàn)步驟 314
6.6.2 乳腺腫瘤數(shù)據(jù)k-means聚類分析 316
6.7 深度學(xué)習(xí)算法 318
6.7.1 卷積神經(jīng)網(wǎng)絡(luò) 318
6.7.2 深度學(xué)習(xí)框架 320
6.7.3 常見深度學(xué)習(xí)框架的安裝與使用 321
6.7.4 醫(yī)學(xué)案例 323
習(xí)題 333