Nhan đề chính: Data-Driven Clinical Decision-Making Using Deep Learning in Imaging

Nhan đề dịch: Quyết định lâm sàng dựa trên dữ liệu sử dụng học sâu trong hình ảnh

Tác giả: M. F. Mridha, Nilanjan Dey

Nhà xuất bản: Springer Singapore

Năm xuất bản: 2024

Số trang: 286 tr.

Ngôn ngữ: Tiếng Anh 

ISBN: 978-981-97-3966-0

SpringerLink

Lời giới thiệu: Cuốn sách này khám phá những tiến bộ tiên tiến về hình ảnh y tế và ứng dụng của chúng trong việc ra quyết định lâm sàng. Cuốn sách chứa nhiều chủ đề, phương pháp và ứng dụng khác nhau, cung cấp cho độc giả sự hiểu biết toàn diện về tình trạng hiện tại và triển vọng của lĩnh vực này. Cuốn sách bắt đầu bằng việc khám phá khả năng thích ứng miền trong hình ảnh y tế và đánh giá hiệu quả của việc học chuyển giao để vượt qua những thách thức liên quan đến dữ liệu được gắn nhãn hạn chế. Các chương tiếp theo đi sâu vào các ứng dụng cụ thể, chẳng hạn như cải thiện phân loại tổn thương thận trong chụp CT, nâng cao nghiên cứu ung thư vú thông qua kiến ​​trúc U-Net dựa trên sự chú ý để phân đoạn và phân loại hình ảnh MRI não cho các rối loạn thần kinh. Hơn nữa, cuốn sách đề cập đến việc phát triển các mô hình học máy đa phương thức để tiên lượng khối u não, xác định các dấu hiệu da liễu độc đáo bằng cách sử dụng học chuyển giao sâu và sử dụng các mạng đối nghịch tạo sinh để tăng cường hệ thống phát hiện ung thư vú bằng cách tăng cường hình ảnh chụp nhũ ảnh. Ngoài ra, các tác giả trình bày một phương pháp tiếp cận bảo vệ quyền riêng tư để dự đoán rủi ro ung thư vú bằng cách sử dụng học liên bang, đảm bảo tính bảo mật và an toàn của dữ liệu bệnh nhân nhạy cảm. Cuốn sách này tập hợp một mạng lưới các chuyên gia toàn cầu từ nhiều nơi trên thế giới, phản ánh bản chất thực sự mang tính quốc tế của nghiên cứu.

Từ khóa: Trí tuệ nhân tạo; Ung thư vú; Mạng nơ-ron; X quang; Y học. 

Nội dung cuốn sách gồm những phần sau:

- Thích ứng miền trong hình ảnh y tế: Đánh giá hiệu quả của việc học chuyển giao

- Phát hiện khối u não tiên tiến: Phương pháp tiếp cận dựa trên học chuyển giao kết hợp với cơ chế chú ý bóp và kích thích (SE) trong thị giác máy tính

- Phân loại ung thư cổ tử cung chính xác ở giai đoạn đầu bằng phương pháp tổng hợp dựa trên học chuyển giao: Một phương pháp học sâu

- Tiết lộ độ chính xác của chẩn đoán: Đánh giá các phương pháp tiếp cận học máy và học sâu để nhận dạng bệnh viêm phổi ở bệnh nhân COVID-19 bằng cách sử dụng X-quang ngực

- Mô hình học sâu lai tiên tiến để phân loại chính xác đa lớp tế bào ung thư tủy xương

- Phát hiện bệnh đậu mùa dựa trên tầm nhìn bảo vệ quyền riêng tư bằng cách sử dụng học liên bang

- Tiết lộ các dấu hiệu da liễu độc đáo của bệnh đậu mùa ở người thông qua mô hình học chuyển giao sâu dựa trên DenseNet và xác thực bằng AI có thể giải thích

- Cải thiện phân loại tổn thương thận trong CT Scan bằng CNN với các lớp Attention: Đạt được độ chính xác và hiệu suất cao

- Cải thiện hệ thống phát hiện ung thư vú: Tăng cường hình ảnh chụp quang tuyến vú bằng cách sử dụng mạng đối nghịch tạo sinh

- Kết hợp các kết nối còn sót lại vào CNN đa kênh để phát hiện ung thư phổi trong bệnh học kỹ thuật số

- Tiến bộ trong chẩn đoán ung thư vú: U-Net tăng cường sự chú ý để phân đoạn ung thư vú

- Dự đoán ung thư vú bảo vệ quyền riêng tư bằng hình ảnh chụp nhũ ảnh sử dụng học liên kết

- Cải thiện hiệu quả chăm sóc sức khỏe thông qua việc theo dõi sức khỏe bệnh nhân từ xa dựa trên cảm biến bằng cách sử dụng thuật toán AdaBoost nâng cao