包邮智慧医学语言基础

目录 第1章 智慧医学概述 1 1.1 计算机基础 1 1.1.1 计算机的发展与分类 1 1.1.2 计算机系统的组成 4 1.1.3 微型计算机硬件系统 5 1.1.4 数制与信息的编码 7 1.1.5 微型计算机软件系统 15 1.1.6 软件工程 20 1.1.7 计算机信息系统安全基础 25 1.2 医学大数据及其应用 29 1.2.1 医学大数据的概念和特征 29 1.2.2 医学大数据的获取 30 1.2.3 医学大数据的相关技术 44 1.3 人工智能及智慧医学应用 47 1.3.1 人工智能 47 1.3.2 智慧医学应用 50 习题 57 第2章 智慧医学语言Python基础 59 2.1 Python语言及开发环境搭建 59 2.1.1 Python语言介绍及安装配置 59 2.1.2 PyCharm集成开发环境 61 2.1.3 运行Python语言程序 63 2.1.4 第三方库介绍 65 2.2 Python语言基础概述及数据类型 68 2.2.1 代码规范 68 2.2.2 变量与赋值语句 71 2.2.3 数据类型及运算操作 73 2.2.4 字符串类型及操作 78 2.2.5 Python常用组合数据类型 81 2.3 Python语言程序控制结构 88 2.3.1 分支结构 88 2.3.2 循环结构 91 2.4 函数 97 2.4.1 内置函数 97 2.4.2 自定义函数 98 2.4.3 lambda 函数 101 习题 104 第3章 医学数据的获取与分析 106 3.1 医学数据的获取与存储 106 3.1.1 电子病历数据 106 3.1.2 医学影像数据 110 3.1.3 医学数据获取技术 114 3.2 医学数据的常用计算模块 115 3.2.1 numpy模块 115 3.2.2 pandas模块 121 3.3 医学数据的描述性分析 129 3.3.1 平均数 130 3.3.2 *值 130 3.3.3 中位数 130 3.3.4 众数 131 3.3.5 极差 131 3.3.6 标准差 132 3.3.7 变异系数 132 3.3.8 协方差 132 3.3.9 相关系数 135 3.4 医学数据文件的读取与写入 137 3.4.1 基于表格的二维数据获取 137 3.4.2 PDF数据的获取 147 3.4.3 文件与数据库 154 3.5 医学数据的归一化转换与常见预处理方法 161 3.5.1 中心化与离散化 162 3.5.2 min-max标准化 165 3.5.3 Z-score标准化 166 3.5.4 数据的预处理 167 习题 173 第4章 医学数据的可视化 176 4.1 matplotlib包可视化医学数据 176 4.1.1 matplotlib包基本使用 177 4.1.2 pyplot绘图步骤 179 4.1.3 pyplot常用绘图函数 183 4.2 seaborn包可视化医学数据 200 4.2.1 seaborn包的介绍及安装 200 4.2.2 seaborn中的风格和颜色设置 200 4.2.3 seaborn中的分布型主要作图函数 202 4.2.4 seaborn中的关系型主要作图函数 206 4.2.5 seaborn中的分类型主要作图函数 210 4.3 pyecharts包可视化医学数据 216 4.3.1 pyecharts包基本使用 216 4.3.2 pyecharts绘图步骤 219 4.3.3 pyecharts常用绘图函数 220 习题 227 第5章 医学图像处理 231 5.1 医学影像相关技术 231 5.1.1 常见的医学影像设备 231 5.1.2 医学图像的像素、灰度等级、颜色通道、颜色空间 237 5.1.3 医学影像获取 238 5.2 医学图像处理基础 245 5.2.1 医学图像的平移、旋转与翻转 245 5.2.2 医学图像的仿射变换与透视变换 251 5.2.3 医学图像的边缘检测 253 5.2.4 医学图像的卷积与滤波 256 5.3 医学图像增强 260 5.3.1 医学图像的灰度线性拉伸 260 5.3.2 医学图像的直方图增强 262 5.3.3 医学图像的伽马变换和对数变换 265 5.4 医学图像分割与形态学处理 268 5.4.1 医学图像的阈值分割 268 5.4.2 形态学医学图像的膨胀、腐蚀、开运算、闭运算 272 习题 280 第6章 机器学习及医学应用 282 6.1 机器学习介绍 282 6.2 线性回归分析 283 6.2.1 算法原理及实现步骤 284 6.2.2 久坐时间与胆固醇浓度的一元线性回归分析 286 6.2.3 糖尿病数据线性回归分析 288 6.3 逻辑回归 294 6.3.1 算法原理及实现步骤 294 6.3.2 乳腺肿瘤数据逻辑回归分析 297 6.4 朴素贝叶斯分类 302 6.4.1 算法原理及实现步骤 302 6.4.2 乳腺肿瘤数据朴素贝叶斯分类 304 6.5 支持向量机 306 6.5.1 算法原理及实现步骤 306 6.5.2 采用支持向量机的医学案例 309 6.6 k-means聚类法 314 6.6.1 算法原理及实现步骤 314 6.6.2 乳腺肿瘤数据k-means聚类分析 316 6.7 深度学习算法 318 6.7.1 卷积神经网络 318 6.7.2 深度学习框架 320 6.7.3 常见深度学习框架的安装与使用 321 6.7.4 医学案例 323 习题 333