Artificial Intelligence in Medical Imaging-From Theory to Clinical Practice

این کتاب که توسط نویسندگانی با بیش از یک دهه تجربه در طراحی و توسعه سیستم‌های هوش مصنوعی (AI) در تصویربرداری پزشکی نوشته شده است، خوانندگان را در درک یکی از هیجان‌انگیزترین زمینه‌های امروزی راهنمایی می‌کند.

پس از توضیح مقدماتی تکنیک‌های یادگیری ماشین کلاسیک، اصول یادگیری عمیق به روشی ساده و در عین حال جامع توضیح داده می‌شود. این کتاب سپس با دیدگاهی تاریخی از چگونگی توسعه هوش مصنوعی پزشکی در زمان ادامه می‌دهد، و توضیح می‌دهد که کدام برنامه‌ها پیروز شدند و کدام‌یک شکست خوردند، از دوران سیستم‌های تشخیص به کمک رایانه تا برنامه‌های پیشرفته کنونی در یادگیری عمیق امروز که شروع به نمایش می‌کنند. عملکرد همتراز با کارشناسان بالینی.

در بخش آخر، این کتاب دیدگاهی در مورد پیچیدگی اعتبار سنجی برنامه های کاربردی هوش مصنوعی برای استفاده تجاری ارائه می دهد و مفهوم اخیراً معرفی شده از نرم افزار را به عنوان توصیف می کند. یک دستگاه پزشکی، و همچنین اقدامات خوب و ملاحظات مرتبط برای آموزش و آزمایش سیستم‌های یادگیری ماشین برای استفاده پزشکی. مسائل باز در مورد اعتبار سنجی برای استفاده عمومی از سیستم هایی که طبیعتاً به طور مداوم از طریق داده های جدید تکامل می یابند نیز مورد بررسی قرار گرفته است.

این کتاب مورد علاقه دانشجویان فارغ التحصیل در رشته های فیزیک پزشکی، مهندسی زیست پزشکی و علوم کامپیوتر خواهد بود. علاوه بر محققان و متخصصان پزشکی فعال در حوزه تصویربرداری پزشکی، که مایلند این فناوری‌ها و آینده این حوزه را بهتر درک کنند.

ویژگی‌ها:

• یک نمای کلی در دسترس و در عین حال دقیق از این زمینه
• کاوش یک موضوع داغ و در حال رشد
• دیدگاهی بین رشته ای ارائه می دهد

This book, written by authors with more than a decade of experience in the design and development of artificial intelligence (AI) systems in medical imaging, will guide readers in the understanding of one of the most exciting fields today.

After an introductory description of classical machine learning techniques, the fundamentals of deep learning are explained in a simple yet comprehensive manner. The book then proceeds with a historical perspective of how medical AI developed in time, detailing which applications triumphed and which failed, from the era of computer aided detection systems on to the current cutting-edge applications in deep learning today, which are starting to exhibit on-par performance with clinical experts.

In the last section, the book offers a view on the complexity of the validation of artificial intelligence applications for commercial use, describing the recently introduced concept of software as a medical device, as well as good practices and relevant considerations for training and testing machine learning systems for medical use. Open problematics on the validation for public use of systems which by nature continuously evolve through new data is also explored.

The book will be of interest to graduate students in medical physics, biomedical engineering and computer science, in addition to researchers and medical professionals operating in the medical imaging domain, who wish to better understand these technologies and the future of the field.

Features:

• An accessible yet detailed overview of the field
• Explores a hot and growing topic
• Provides an interdisciplinary perspective