Deep Learning Techniques for Biomedical and Health Informatics

تکنیک‌های یادگیری عمیق برای انفورماتیک زیست‌پزشکی و سلامت جدیدترین روش‌های مبتنی بر یادگیری عمیق را برای انفورماتیک زیست‌پزشکی و سلامت در اختیار خوانندگان قرار می‌دهد. این کتاب نه تنها بهترین روش ها را پوشش می دهد، بلکه روش های پیاده سازی را نیز ارائه می دهد. این کتاب شامل تمام روش‌شناسی‌های پیش‌نیاز در هر فصل است تا محققان و متخصصان جدید آن را بسیار مفید بیابند. فصل‌ها از روش‌شناسی پایه به روش‌های پیشرفته شامل توضیحات مفصل رویکردهای پیشنهادی و بحث‌های انتقادی جامع در مورد نتایج تجربی و نحوه اعمال آن‌ها در مهندسی پزشکی، پرونده الکترونیک سلامت و پردازش تصویر پزشکی است.

• طیف وسیعی از کاربردهای یادگیری عمیق را برای مهندسی زیست پزشکی و انفورماتیک سلامت، از جمله یادگیری عمیق برای کشف دارو، سیستم‌های پشتیبانی تصمیم بالینی، تشخیص بیماری، پیش‌بینی و نظارت بررسی می‌کند
• در مورد یادگیری عمیق اعمال شده در پرونده الکترونیک سلامت (EHR)، از جمله ساختارهای داده سلامت و مدیریت، یادگیری عمیق شباهت بیمار، پردازش زبان طبیعی، و نحوه بهبود تصمیم گیری بالینی بحث می کند
• پوشش مفصلی از یادگیری عمیق برای پردازش تصویر پزشکی، از جمله بهینه سازی داده های بزرگ پزشکی، تجزیه و تحلیل تصویر مغز، تقسیم بندی تومور مغز در تصویربرداری MRI، و آینده تجزیه و تحلیل تصویر زیست پزشکی

Deep Learning Techniques for Biomedical and Health Informatics provides readers with the state-of-the-art in deep learning-based methods for biomedical and health informatics. The book covers not only the best-performing methods, it also presents implementation methods. The book includes all the prerequisite methodologies in each chapter so that new researchers and practitioners will find it very useful. Chapters go from basic methodology to advanced methods, including detailed descriptions of proposed approaches and comprehensive critical discussions on experimental results and how they are applied to Biomedical Engineering, Electronic Health Records, and medical image processing.

• Examines a wide range of Deep Learning applications for Biomedical Engineering and Health Informatics, including Deep Learning for drug discovery, clinical decision support systems, disease diagnosis, prediction and monitoring
• Discusses Deep Learning applied to Electronic Health Records (EHR), including health data structures and management, deep patient similarity learning, natural language processing, and how to improve clinical decision-making
• Provides detailed coverage of Deep Learning for medical image processing, including optimizing medical big data, brain image analysis, brain tumor segmentation in MRI imaging, and the future of biomedical image analysis