یادگیری ماشین و یادگیری عمیق در انکولوژی، فیزیک پزشکی و رادیولوژی ۲۰۲۲
Machine and Deep Learning in Oncology, Medical Physics and Radiology 2022

این کتاب که اکنون در ویرایش دوم، به طور گسترده بازبینی و به روزرسانی شده است، یک نمای کلی جامع از یادگیری ماشین و یادگیری عمیق و نقش آن ها در سرطان شناسی، فیزیک پزشکی و رادیولوژی ارائه می دهد. خوانندگان در این کتاب، پوشش کاملی از تئوری های اساسی، روش ها و کاربردهای نمایشی در این زمینه ها خواهند یافت. بخش مقدماتی به توضیح یادگیری ماشین و یادگیری عمیق، بررسی روش های یادگیری، بحث در مورد ارزیابی عملکرد و بررسی ابزارهای نرم افزاری و حفاظت از داده ها می پردازد. سپس بخش های جداگانه و مفصلی به استفاده از یادگیری ماشین و یادگیری عمیق برای تجزیه و تحلیل تصاویر پزشکی، برنامه ریزی و تحویل درمان، و مدل سازی نتایج و پشتیبانی از تصمیم گیری اختصاص داده شده است. منابع برای کاربردهای مختلف در هر فصل ارائه شده و کد نرم افزاری نیز به منظور نشان دادن موارد، به طور مناسب در متن گنجانده شده است. این کتاب برای دانشجویان و رزیدنت های فیزیک پزشکی، رادیولوژی و سرطان شناسی بسیار ارزشمند خواهد بود و همچنین برای پزشکان و محققان باتجربه تر و اعضای جوامع یادگیری ماشین کاربردی نیز جذاب خواهد بود.

This book, now in an extensively revised and updated second edition, provides a comprehensive overview of both machine learning and deep learning and their role in oncology, medical physics, and radiology. Readers will find thorough coverage of basic theory, methods, and demonstrative applications in these fields. An introductory section explains machine and deep learning, reviews learning methods, discusses performance evaluation, and examines software tools and data protection. Detailed individual sections are then devoted to the use of machine and deep learning for medical image analysis, treatment planning and delivery, and outcomes modeling and decision support. Resources for varying applications are provided in each chapter, and software code is embedded as appropriate for illustrative purposes. The book will be invaluable for students and residents in medical physics, radiology, and oncology and will also appeal to more experienced practitioners and researchers and members of applied machine learning communities.