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了重要进展，取得了一系列研究成果。 

本书论述基于深度学习的医学图像智能处理方法。全书讨论的内容反映了智能医学影像处理领域的新进展，也是最近几年作者团队在该领域研究工作的系统总结。全书既包括低剂量医学图像的智能去噪方法，也论述医学影像中病灶的智能分割方法；既有相关网络和方法的系统综述，也有具体方法的深入讨论和分析；既有网络和方法的系统介绍，也有一系列实验结果的分析比较。本书将为从事医学图像智能处理领域的科技人员提供借鉴和参考，也为临床医生进行辅助诊断、治疗、疾病预测提供技术支持。

第1章和第2章是综述。主要基于2020—2023年发表的文献综述了基于深度学习的低剂量CT去噪方法研究进展，以及基于深度学习的肺部CT图像分割方法研究进展。对典型的LDCT深度学习去噪方法以及分割方法进行了实验比较、分析和总结，讨论并提出了基于深度学习的低剂量CT去噪和分割方法在当前与未来研究上的挑战和机遇。

第3～5章针对低剂量CT去噪问题，分别论述了基于多特征提取的低剂量CT图像去噪方法、基于UNet和多注意力机制的低剂量CT图像去噪方法与基于CNN和Transformer的低剂量CT图像去噪方法。对于相应的神经网络和方法、网络架构和主要组成模块都做了深入的分析和介绍，并进行了一系列实验研究。在多个相关的仿真和实际数据集上，对于相关的实验结果进行了性能对比分析。

第6～9章针对医学影像的智能分割问题，分别论述了基于多层注意机制的UNet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，以及基于Transformer和UNet的CT图像分割方法。对于相应的神经网络和方法、网络架构和主要组成模块都做了深入的分析和介绍，并进行了一系列实验研究。在多个相关的仿真和实际数据集上，对于相关的实验结果进行了性能对比分析。

本书是近几年作者团队在相关领域研究工作的系统总结。有兴趣的读者也可以参考作者团队发表的相关论文。

（1） Ju Zhang，Weiwei Gong，Lieli Ye，et al. A review of deep learning methods for denoising of lowdose CT images. Computers in Biology and Medicine，2024（171）： 108112.

（2） Ju Zhang，Changgan Ying，Zhiyi Ye，et al. Recent developments in segmentation of CT images using deeplearning: an overview of models，techniques and challenges. Biomedical Signal Processing and Control，2024(91): 105970.

（3） Ju Zhang,Zhibo Shangguan,Weiwei Gong,et al. A novel denoising method for lowdose CT images based on transformer and CNN.Computers in Biology and Medicine，2023(163): 107162.

（4） Ju Zhang，Decheng Chen，Dong Ma，et al. CdcSegNet: automatic infection segmentation from CT images. IEEE Transactions on Instrumentation & Measurement，2023(72): 5012313. 

（5） Ju Zhang，Yan Niu，Zhibo Shangguan，et al. Unet network and multi attentionbased denoising of CT images. Computers in Biology and Medicine，2023(152): 106387.

（6） Ju Zhang，Weidong Pan，Beng Wang，et al. Multiscale aggregation networks with flexible receptive fields for melanoma segmentation. Biomedical Signal Processing and Control，2022(68): 103950.

（7） Ju Zhang，Lundun Yu，Decheng Chen，et al. Dense GAN and multilayer attentionbased lesion segmentation method for CT images. Biomedical Signal Processing and Control，2021(67): 102901. 

（8） Ju Zhang，HaiLin Zhou，Yan Niu，et al. CNN and multifeature extractionbased denoising of medical CT images. Biomedical Signal Processing and Control，2021(67): 102545.

本书可供学习、研究和应用智能医学影像处理领域的研究生和相关技术人员阅读参考。参与本书内容研究工作的研究生有： 周海林、俞伦端、陈德臣、潘伟栋、牛彦、上官之博、马栋、龚伟伟、应长钢、叶列立、叶智毅、陈明扬、余嘉豪、刘光宇等。浙江医院程芸主任医师参与了智能医学影像处理领域研究工作的管理、研讨、咨询和指导工作。研究生陈明扬在排版、编辑和整理书稿等方面付出了大量辛勤的劳动。本书的编写还参考了国内外一系列相关文献的内容和有关的研究生学位论文。本书的研究工作和出版得到了国家自然科学基金、浙江省科技厅公益技术研究社会发展项目以及杭州师范大学教育部移动健康重点研究基地、杭州师范大学交叉科学研究项目和浙江医院合作项目的资助，在此一并表示感谢！限于作者的研究能力和水平，书中难免有不当之处，敬请读者和专家批评指正。

作者

2025年2月