本教材共分6章，第1章介紹智慧醫(yī)學概述，主要包括計算機基礎、醫(yī)學大數(shù)據(jù)及其應用、人工智能及智慧醫(yī)學應用；第2章介紹智慧醫(yī)學語言Python基礎，主要包括Python語言及開發(fā)環(huán)境搭建、Python語言基礎概述及數(shù)據(jù)類型、Python語言程序控制結構、函數(shù)；第3章介紹醫(yī)學數(shù)據(jù)的獲取與分析，主要包括醫(yī)學數(shù)據(jù)的獲取與存儲、醫(yī)學數(shù)據(jù)的常用計算模塊、醫(yī)學數(shù)據(jù)的描述性分析、醫(yī)學數(shù)據(jù)文件的讀取與寫入、醫(yī)學數(shù)據(jù)的歸一化轉換與常見預處理方法；第4章介紹醫(yī)學數(shù)據(jù)的可視化，主要包括matplotlib包、seaborn包、pyecharts包可視化醫(yī)學數(shù)據(jù)；第5章介紹醫(yī)學圖像處理，主要包括醫(yī)學影像相關技術、醫(yī)學圖像處理基礎、醫(yī)學圖像增強、醫(yī)學圖像分割與形態(tài)學處理等；第6章介紹機器學習及醫(yī)學應用，主要包括機器學習介紹、線性回歸分析、邏輯回歸、樸素貝葉斯分類、支持向量機、k均值（k-means）聚類、深度學習算法。圍繞醫(yī)學案例由淺入深進行論述，特點是醫(yī)工融合，注重入門運用與舉一反三，強化醫(yī)學案例驅動的自主學習，重視醫(yī)學及相關專業(yè)學生的學習能力培養(yǎng)，強調醫(yī)學實踐和計算機理論的醫(yī)工融合。
更多科學出版社服務，請掃碼獲取。
目錄
第1章 智慧醫(yī)學概述 1
1.1 計算機基礎 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 25
1.2 醫(yī)學大數(shù)據(jù)及其應用 29
1.2.1 醫(yī)學大數(shù)據(jù)的概念和特征 29
1.2.2 醫(yī)學大數(shù)據(jù)的獲取 30
1.2.3 醫(yī)學大數(shù)據(jù)的相關技術 44
1.3 人工智能及智慧醫(yī)學應用 47
1.3.1 人工智能 47
1.3.2 智慧醫(yī)學應用 50
習題 57
第2章 智慧醫(yī)學語言Python基礎 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語言程序控制結構 88
2.3.1 分支結構 88
2.3.2 循環(huán)結構 91
2.4 函數(shù) 97
2.4.1 內置函數(shù) 97
2.4.2 自定義函數(shù) 98
2.4.3 lambda 函數(shù) 101
習題 104
第3章 醫(yī)學數(shù)據(jù)的獲取與分析 106
3.1 醫(yī)學數(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)學影像數(shù)據(jù) 110
3.1.3 醫(yī)學數(shù)據(jù)獲取技術 114
3.2 醫(yī)學數(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 標準差 132
3.3.7 變異系數(shù) 132
3.3.8 協(xié)方差 132
3.3.9 相關系數(shù) 135
3.4 醫(yī)學數(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)學數(shù)據(jù)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(shù)據(jù)的預處理 167
習題 173
第4章 醫(yī)學數(shù)據(jù)的可視化 176
4.1 matplotlib包可視化醫(yī)學數(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)學數(shù)據(jù) 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(shù) 202
4.2.4 seaborn中的關系型主要作圖函數(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
習題 227
第5章 醫(yī)學圖像處理 231
5.1 醫(yī)學影像相關技術 231
5.1.1 常見的醫(yī)學影像設備 231
5.1.2 醫(yī)學圖像的像素、灰度等級、顏色通道、顏色空間 237
5.1.3 醫(yī)學影像獲取 238
5.2 醫(yī)學圖像處理基礎 245
5.2.1 醫(yī)學圖像的平移、旋轉與翻轉 245
5.2.2 醫(yī)學圖像的仿射變換與透視變換 251
5.2.3 醫(yī)學圖像的邊緣檢測 253
5.2.4 醫(yī)學圖像的卷積與濾波 256
5.3 醫(yī)學圖像增強 260
5.3.1 醫(yī)學圖像的灰度線性拉伸 260
5.3.2 醫(yī)學圖像的直方圖增強 262
5.3.3 醫(yī)學圖像的伽馬變換和對數(shù)變換 265
5.4 醫(yī)學圖像分割與形態(tài)學處理 268
5.4.1 醫(yī)學圖像的閾值分割 268
5.4.2 形態(tài)學醫(yī)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(yī)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(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(yī)學案例 323
習題 333
書單推薦
