معرفی و دانلود کتاب رادیومیکس: مبانی و کاربردها

معرفی کتاب رادیومیکس: مبانی و کاربردها

آیا می‌دانید رادیومیکس چیست و چه کاربردهایی در زمینه پزشکی و درمان بیماری‌ها دارد؟ کتاب رادیومیکس: مبانی و کاربردها نوشته مصطفی نظری، الهام آورد، سعید آفریدون و مهدی قربانی همه‌ی اطلاعات مورد نیاز درباره این بخش از علم پزشکی را در اختیار شما قرار می‌دهد.

درباره کتاب رادیومیکس: مبانی و کاربردها

امروزه پیشرفت علم، به‌ویژه در زمینه فناوری‌های پزشکی، با سرعت بسیار بالایی اتفاق می‌افتد و درمان بیماری‌ها به‌کمک همین تکنولوژی‌ها انجام می‌شود. یکی از مهم‌ترین علومی که در پزشکی کاربرد بسیاری دارد و روش‌های درمانی متنوعی را ایجاد کرده، رادیومیکس است. رادیومیکس از جمله تکنولوژی‌هایی به‌شمار می‌رود که در زمینه بالینی و درمان سرطان موثر است.

نویسندگان در کتاب رادیومیکس: مبانی و کاربردها شرح کاملی از این تکنولوژی مهم را ارائه می‌دهند؛ تکنولوژی که با به‌کاربردن آن تحولات شگرفی در زمینه درمان و پزشکی اتفاق افتاده است. این اثر در سه فصل طراحی و تالیف شده است و در هر فصل آن به‌خوبی مبانی و کاربردهای رادیو میکس برای شما بیان شده است. با مطالعه این منبع آموزشی، می‌توانید اطلاعات بسیار خوبی را درباره این حوزه از علم و فناوری پزشکی به دست آورید.

کتاب رادیومیکس: مبانی و کاربردها برای چه کسانی مناسب است؟

این کتاب بهترین منبع یادگیری برای دانشجویان رشته فیزیک پزشکی، انفورماتیک پزشکی، پرتوشناسی، پزشکی هسته‌ای و ... است.

در بخشی از کتاب رادیومیکس: مبانی و کاربردها می‌خوانیم

بیشتر افراد زمانی که اصطلاح هوش مصنوعی را می‌شنوند‏ اولین چیزی که معمولا به آن فکر می‌کنند ربات‌ها هستند. این به این دلیل است که فیلم‌ها و رمان‌های با بودجه کلان، داستان‌هایی در مورد ماشین‌آلات شبیه به انسان می‌بافند که ویرانگر زمین هستند. اما هیچ چیز فراتر از حقیقت نیست. هوش مصنوعی بر این اصل استوار است که هوش انسان را می‌توان به گونه‌ای تعریف کرد که یک ماشین به راحتی از آن تقلید کرده و وظایفی را انجام دهد. از ساده‌ترین‌ها تا کارهای حتی پیچیده‌تر، با پیشرفت فناوری. معیارهای قبلی که برای تعریف هوش مصنوعی استفاده می‌شدند دیگر منسوخ می‌شوند.

به عنوان مثال، ماشین‌هایی که توابع پایه را محاسبه می‌کنند یا متن را در تصویر تشخیص می‌دهند، دیگر به عنوان نماد هوش مصنوعی در نظر گرفته نمی‌شوند. زیرا این عملکرد اکنون به عنوان یک عملکرد ذاتی رایانه پذیرفته شده است. کاربردهایی که می‌توان برای هوش مصنوعی در نظر گرفت بی حد و اندازه هستند. این فناوری را می‌توان در بسیاری از بخش‌ها و صنایع مختلف به کار برد. هوش مصنوعی در زمینه مراقبت‌های بهداشتی برای دزهای مختلف داروها و درمان‌های مختلف در بیماران و همچنین اقدامات جراحی در اتاق عمل مورد آزمایش و استفاده قرار می‌گیرد. از دیگر نمونه‌های ماشین‌های دارای هوش مصنوعی می‌توان به رایانه‌هایی اشاره کرد که برای بازی شطرنج و اتومبیل‌های خودران توسعه یافته‌اند.

فهرست مطالب کتاب

فصل اول: مقدمه‌ای بر تصویربرداری پزشکی و رادیومیکس
پیدایش اُمیکس‌ها
تصویربرداری پزشکی
پیش پردازش تصاویر
ارتقاء کیفیت تصاویر
تبدیل تصاویر
آنالیز تصاویر
فصل دوم: اصول و مبانی رادیومیکس
رادیومیکس
رادیومیکس به روش استخراج ویژگی و مدل‌سازی
تصویربرداری
اسکن برش‌نگاری کامپیوتری
اسکن برش‌نگاری انتشار پوزیترون PET
تصویربرداری تشدید مغناطیسی MRI
ناحیه‌بندی بافت مورد نظر
پردازش تصویر
پردازش پس از ثبت تصویر
درون‌یابی
صافی کردن داده‌های پرت یا دورافتاده
استخراج ROI
گسسته‌سازی شدت‌های ماتریس تصویر
گسسته‌سازی وکسل یا پیکسل با تعداد ثابت
گسسته‌سازی به وکسل یا پیکسل با پهنای ثابت
استخراج الگوهایی کمّی از تصاویر
 فاصله دو نقطه در یک ماتریس یا شبکه‌
تجمیع ویژگی‌های تصویر در اسلایدهای مختلف تصویر
 ویژگی‌های مورفولوژی
حجم مش
حجم شمارش وکسل
مساحت مش
نسبت حجم به سطح
فشردگی
فشردگی 2
عدم تناسب کروی
کروی بودن
کروی نبودن
انتقال مرکز جرم
قطر سه بعدی بیشینه
طول محور بزرگ
طول محور کوچک
طول محور حداقل
کشیدگی
صافی
شدت یکپارچه
ویژگی‌های آماری مبتنی بر شدت
شدت میانگین
واریانس شدت
چولگی شدت
کشیدگی شدت
شدت میانه
شدت کمینه
صدک دهم شدت
صدک نودم شدت
شدت بیشینه
دامنه بین چارکی شدت
دامنه شدت
ضریب تغییرات مبتنی بر شدت
ضریب پراکندگی چارکی مبتنی بر شدت
انرژی مبتنی بر شدت
شدت جذر میانگین مربعی
ویژگی‌های هیستوگرام شدت
میانگین شدت گسسته شده
واریانس شدت گسسته شده
چولگی شدت گسسته شده
کشیدگی شدت گسسته شده
میانه شدت گسسته شده
کمینه شدت گسسته شده
صدک دهم شدت گسسته شده
صدک نودم شدت گسسته
بیشینه شدت گسسته شده
مد هیستوگرام شدت
دامنه بین چارکی شدت گسسته
دامنه شدت گسسته
متوسط انحراف مطلق هیستوگرام شدت
میانه انحراف مطلق هیستوگرام شدت
ضریب تغییرات هیستوگرام شدت
ضریب پراکندگی چارکی هیستوگرام شدت
آنتروپی شدت گسسته شده
یکنواختی شدت گسسته شده
شیب هیستوگرام بیشینه
ویژگی‌های مبتنی بر ماتریس همزمانی رخداد سطوح خاکستری GLCM
بیشینه مشترک
میانگین مشترک
واریانس مشترک
آنتروپی متصل
میانگین اختلاف
واریانس اختلاف
آنتروپی اختلاف
کنتراست
عدم تشابه
اختلاف معکوس
واریانس معکوس
همبستگی
خودهمبستگی
گرایش خوشه‌ای
سایه خوشه‌ای
برجستگی خوشه‌ای
 ویژگی‌های مبتنی بر ماتریس سطوح خاکستری متوالی در جهت حرکت
تأکید بر توالی کوتاه
تأکید بر توالی بلند
تأکید بر سطوح خاکستری پایین
تأکید بر سطوح خاکستری بالا
تأکید بر سطوح خاکستری پایین و توالی‌های کوتاه
تأکید بر سطوح خاکستری بالا و توالی‌های کوتاه
تأکید بر سطوح خاکستری پایین و توالی‌های بلند
تأکید بر سطوح خاکستری بالا و توالی‌های بلند
غیر یکنوختی در سطوح خاکستری
غیر یکنواختی در توالی سطوح خاکستری
واریانس در سطوح خاکستری
واریانس در توالی ها
آنتروپی در توالی‌ها
ویژگی‌های مبتنی بر ماتریس اندازه ناحیه سطوح خاکستری
تأکید بر نواحی کوچک
تأکید بر نواحی بزرگ
تأکید بر نواحی با سطوح خاکستری پایین
تأکید بر نواحی با سطوح خاکستری بالا
تأکید بر نواحی کوچک با سطوح خاکستری پایین
تأکید بر نواحی کوچک با سطوح خاکستری بالا
تأکید بر نواحی بزرگ با سطوح خاکستری پایین
تأکید بر نواحی بزرگ با سطوح خاکستری بزرگ
غیریکنواختی نواحی در سطوح خاکستری
غیریکنواختی در اندازه نواحی
واریانس نواحی در سطوح خاکستری
واریانس اندازه نواحی
آنتروپی در اندازه نواحی
 ویژگی‌های مبتنی بر ماتریس اختلاف سطح خاکستری با سطوح خاکستری همسایه
درشتی
کنتراست
شلوغی
 پیچیدگی
کاهش بُعد Dimensionality Reduction
 انتخاب ویژگی Feature Selection
روش‌های انتخاب ویژگیFilter
روش انتخاب ویژگی Wrapper
روش انتخاب ویژگی Embedded
 استخراج ویژگی Feature Extraction
مدل‌سازی
 جمع‌آوری داده‌ها
 آماده سازی یا پیش پردازش داده‌ها
 انتخاب و آموزش یک مدل
 ارزیابی مدل
 تنظیم ابر پارامترها
ارزیابی مدل رادیومیکسی
کنار گذاشتن قسمتی از داده Holdout
اعتبارسنجی متقابل
معیارهای ارزیابی مدل
ماتریس درهم ریختگی Confusion Matrix
سطح زیر منحنی مشخصه عملکرد سیستم AUROC
معیار FMeasure
خطای جذر میانگین مجذوری
 یادگیری ماشین
یادگیری نظارت‌شده Supervised Learning
 طبقه‌بندی Classification
 رگرسیون
یادگیری بدون نظارت Unsupervised Learning
یادگیری تقویتی Reinforcement Learning
 رادیومیکس مبتنی بر یادگیری عمیق Discovery Radiomics
آموزش از ابتدا
انتقال یادگیری از طریق یک شبکه از پیش آموزش دیده
معماری شبکه‌های عصبی
شبکه عصبی کانولوشن
شبکه کپسول capsule networks
شبکه عصبی بازگشتی Recurrent Neural Network
شبکه‌های خود رمز نگار AutoEncoder Networks
فصل سوم: کاربردهای رادیومیکس
 کاربردهای رادیومیکس
تشخیص سرطان
طبقه ‌بندی تومور
پیش‌بینی عود سرطان
پیش‌بینی درجه بدخیمی تومور
مرحله‌بندی سرطان
 تحلیل کتاب شناختی و علم‌سنجی مطالعات رادیومیکسی
واژه‌نامه انگلیسی به فارسی
واژه‌نامه فارسی به انگلیسی
منابع