"本书系统地论述基于深度学习的医学影像智能处理方法，包括低剂量医学CT影像的智能去噪方法，以及医学影像中病灶的智能分割方法。主要内容包括基于深度学习的低剂量CT去噪方法研究进展、基于深度学习的肺部CT图像分割方法研究进展、基于多特征提取的低剂量CT图像去噪方法、基于UNet和多注意力的低剂量CT图像去噪方法、基于CNN和Transformer的低剂量CT图像去噪方法、基于多层注意力机制UNet的肺部CT图像分割网络、基于多尺度特征融合UNet的皮肤病图像分割网络、基于迁移学习和UNet的肺部CT图像分割方法、基于Transformer和UNet的CT图像分割方法等。 全书内容是智能医学影像处理领域的新进展，也是近几年作者及其研究生团队在该领域研究工作的系统总结。本书可供学习、研究和应用医学图像智能处理方法的研究生、科研工作者和相关技术人员阅读参考。 "

王琨,清华大学经济管理学院会计系长聘副教授，博士生导师，清华大学公司治理研究中心副主任。2003年获香港科技大学会计系博士学位。2010年MIT斯隆商学院访问学者。主要讲授课程：会计学原理、中级财务会计、财务分析与企业决策、智慧财务。开设在线课程《管理者的会计学》，为清华经管高管教育中心、EMBA项目，开设了《战略与财务分析》《行动学习》等课程。

前言 医疗领域是人工智能非常有潜力的应用领域之一，越来越多的人工智能学者进入了医疗影像分析和处理行业。医疗领域的智能化分析和处理方法对于提高疾病诊断准确率、辅助临床决策、减轻医生负担、促进疾病研究等具有重要意义。 低剂量CT（Low Dose CT，LDCT）是一种辐射剂量低于常规的CT扫描。LDCT用少剂量的X射线对病变位置进行成像和诊断，广泛应用于肺部疾病的筛查和诊断等医疗场景。然而，LDCT具有严重的噪声，它们影响了图像的质量，从而影响了病变的诊断以及后续进一步的病灶自动分割。因此在进行后续的医学图像自动化处理与病灶的分割之前，有必要对医学CT图像去噪技术进行分析和研究。在较低的辐射剂量下，对低剂量CT噪声区域和细微结构纹理进行精准的分析，在对噪声区域进行高效去噪处理的同时尽可能保留纹理细节，进而获得与常规剂量CT图像（Normal Dose CT，NDCT）质量相近的CT图像，为进一步的医学图像自动化处理与病灶的自动分割提供低剂量情况下的高质量CT图像。 CT医学图像分割就是在获得高质量CT医学图像的基础上，将医学图像标注和分割出感兴趣区域的过程。它的目的是将医学图像中的器官或组织分割成适用于特定医疗应用的区域。医学图像分割具有多个不同的应用场景，如解剖结构的研究、疾病诊断、组织体积的定量、病理定位、治疗计划和临床手术。医疗图像的人工分割需要耗费专家大量的精力和时间，而且易受主观经验影响。注释和分割过程的自动化将大幅提高工作效率，并使错误最小化。对于医学图像自动处理与分析方法的研究一直是科研人员关注的热点。近几年，基于深度学习的医学图像处理和分析方法取得...