Description du livre
Cet ouvrage passe en revue l'état de l'art des approches d'apprentissage approfondi en matière de détection robuste et performante des maladies, de segmentation robuste et précise des organes dans le domaine de l'imagerie médicale (modalités d'imagerie radiologique et pathologique) et de construction et d'exploitation de bases de données radiologiques à grande échelle. Il se concentre particulièrement sur l'application des réseaux neuronaux convolutifs et sur les réseaux neuronaux récurrents comme LSTM, en utilisant de nombreux exemples pratiques pour compléter la théorie.
Les principales caractéristiques du livre sont les suivantes : Il souligne comment les réseaux neuronaux profonds peuvent être utilisés pour répondre à de nouvelles questions et à de nouveaux protocoles, et pour relever les défis actuels de l'informatique d'imagerie médicale ; il présente une revue complète des dernières recherches et de la littérature ; et décrit une gamme de différentes méthodes qui utilisent l'apprentissage profond pour des tâches de détection d'objets ou de points de repère en imagerie médicale 2D et 3D. De plus, le livre examine une vaste sélection de techniques de segmentation sémantique utilisant les principes de l'apprentissage profond en imagerie médicale ; présente une nouvelle approche de l'intégration du texte et de l'image en profondeur pour une base de données à grande échelle d'images radiographiques pulmonaires ; et examine comment les graphiques relationnels d'apprentissage profond peuvent être utilisés pour organiser une collection importante de résultats radiologiques provenant de pratiques cliniques réelles, permettant une extraction fondée sur la similarité sémantique.
Le lecteur visé par ce livre édité est un ingénieur, un scientifique ou un étudiant diplômé capable de comprendre les concepts généraux du traitement d'images, de la vision par ordinateur et de l'analyse d'images médicales. Ils peuvent appliquer l'informatique et les principes mathématiques aux pratiques de résolution de problèmes. Il peut être nécessaire d'avoir un certain niveau de familiarité avec un certain nombre de sujets plus avancés : formation et amélioration de l'image, compréhension de l'image, reconnaissance visuelle dans les applications médicales, apprentissage statistique, réseaux neuronaux profonds, prédiction structurée et segmentation des images.