已看完吳恩達的機器學習課程，正在刷他的深度學習微專業（deeplearning.ai），大致有五個模塊，但感覺不看書易導致概念理解模糊。英語能力足以閱讀外文書籍文獻，日後有涉足醫學圖像分析處理的計劃。

國外有哪些優秀的機器學習及深度學習的書籍值得推薦？望前輩多多指點以有效自學。

更新:周老師已開源全書地址為:

PDF for Medical Image Recognition, Segmentation and Parsing?

mp.weixin.qq.com圖標

為周老師打call，以下為原回答

推薦一本周少華(kevin zhou)老師的書。周老師之前是西門子演算法的最高級別科學家，現回中科院計算所當教授了，對整個醫療領域的工業和學術屆都有著很深的理解

Medical Image Recognition, Segmentation and Parsing: Machine Learning and Multiple Object Approaches

這本書對傳統醫療圖像的任務挑戰及當時state of the art有著很詳細的介紹，一些西門子研究院參與編寫章節的演算法更是運用到了實際產品中。

雖然有些任務已被當下深度學習替代，但比起堆數據調參數，傳統方法有著更好的解釋性和對out of distribution數據的魯棒性，想必未來深度學習在醫學領域突破繞不開把傳統方法通過proposalprior
egularizationconstraint等與深度學習結合，做出適應本身領域的工作，而不是把自然圖像方法拿來即用。

利益相關：前西門子員工，周老師粉絲，讀過全書，受益匪淺

請問有沒有國外優秀的機器學習以及深度學習的書籍推薦？

其他知友回答了很多了，眾口皆碑的書就那麼幾本，更主要的問題是能不能耐下心來把這些書啃下來。

關於醫學圖像分析與處理的自學資料

可能有點跑題的回答：在專業細化的今年，任何一個醫學圖像處理的小方向都足以耗費一個人碩+博7年或更長的時間。醫學圖像處理的具體方向有很多，圖像分割、圖像配准、圖像去噪、圖像分類等等。在不同方向中不同的任務需要的演算法也不一樣，以圖像分割為例，有CT、MR圖像中器官的分割，腫瘤的分割，病例圖像細胞核分割、癌症區域分割，眼底圖像分割等等。雖然這麼多任務都屬於 醫學圖像處理中的醫學圖像分割方向，但是適用於這些任務的演算法大相徑庭，同樣的，想把其中的任何一個任務做的出彩，都足以耗費碩+博7年的時間。

基於以上，筆者的建議是：通過具體問題來驅動學習。找到自己感興趣的大方向，比如分割，配准，分類等等，從中選一個，然後在這個大方向下找一個具體的任務作為突破口來找學習資料。

從哪裡找好的醫學圖像處理問題？

筆者好問題的定義是：值得研究而且目前尚未解決的問題。這裡推薦一個醫學圖像處理競賽的網站：

https://grand-challenge.org/challenges/?

grand-challenge.org

一個問題既然被拿出來作為比賽（有的還設立了獎勵），說明這個問題很值得解決，而且根據比賽結果很容易知道目前最好的團隊和演算法做到了什麼地步，自己還有多少深挖的空間。所以可以從這裡面選擇一個自己感興趣的方向入手，查看這個問題上表現最好的方法，github找響應的開源代碼或者發郵件問作者是否願意公開等等，進一步可以考慮如何能改進現有演算法。

Take home message: 找一個感興趣的、具體的醫學圖像處理任務來入手學習。

後記：如果對醫學圖像分割感興趣，想入門了解下，在這裡推薦一個歷史悠久而且被廣泛關注的問題，腦腫瘤分割

MICCAI BRATS - The Multimodal Brain Tumor Segmentation Challenge?

braintumorsegmentation.org

這個比賽今年已經是第8年了（也從側面反映了醫學圖像處理一個具體的問題就足以耗費眾多研究人員8年的時間），目前還在設立比賽，因為這個問題還沒有完全被解決掉。如果對分類、回歸、不確定性感興趣，這個比賽也設立了相應的任務。

更重要的是，前面7年參賽者的方法都能在這個網站下載到，這是一個很好的遍覽這麼多年分割方法發展的渠道，有的作者還在文章里給出了自己的代碼鏈接。

最後補充一點：醫學圖像分割現在非常熱門，但競爭也很激烈，如果打算超這個方向深入（比如讀碩士或博士），請做好打持久戰的準備，出好的成果挺難。

不太清楚題主的知識背景，那麼只能給出比較寬泛的建議

首先，機器學習入門參考 @微調 老師 如何用3個月零基礎入門「機器學習」？

吳恩達老師的課程除了觀看視頻外，務必把其課後編程作業也一併完成，不然的話知識很難固定下來。

其次，西瓜書《機器學習》和小藍書《統計學習方法》第二版，可作為中文參考教材，建議花時間過一遍。（當然如果題主的自學能力很強，那就直接自學下面的英文教材吧）

再次，如果要深入學習，英文教材可選擇機器學習 《PRML》 或 《MLAPP》 二選一 ，深度學習就用花書 《Deep Learning》 ，個人經驗這需要啃很久，建議先作為參考書，需要什麼再針對性地學習對應章節。

針對題主 @LuxuryofTime 關於 數字圖像處理 國外教材 的需求 推薦《digital image processing》Gonzalez 國內也有影印版和中譯本。

借用 @zzzz 的回答，針對 醫學圖像處理 推薦 周少華（Kevin Zhou）如下的著作：

《Medical Image Recognition, Segmentation and Parsing：Machine Learning and Multiple Object Approaches》

傳送門：sciencedirect.com/book/9780128025819/medical-image-recognition-segmentation-and-parsing

有朋友私信聯繫我想要這本書，請點擊如上鏈接去官網自行下載。

（此處本來提供了雲盤鏈接，但涉及分享盜版書籍，被刪除）

醫學圖像處理和計算機視覺有交叉，但還是有很大區別的。

建議先與導師商量，選擇一個確定的小方向課題，然後帶著任務針對性的閱讀經典文獻和前沿文獻，通過復現模型和構建模型鍛煉自己的編程能力，在實戰中加深對應領域的理解。

我之前也做過一個醫學影像的項目，和kaggle比賽里的那個癌細胞分類的比較像，後來就開始尋找有沒有什麼關於醫學影像方面的深度學習書籍，然後找到了兩本，還沒開始看。

  1. Deep Learning And Convolutional Neural Networks For Medical Image Computing

2. Deep Learning for Medical Image Analysis

醫學圖像與其他圖像最大的區別並不是後期處理，畢竟天下的每一個bytes都是一樣的。

醫學影像的難點：

底基層面上來說，理解成像過程的物理意義和數字化過程，理解標準和文件格式（eg, DICOM）為什麼如此。

層次高一點，要去理解醫生的診斷過程，比如說醫學影像對於放射科和皮膚科是完全不一樣的。而且，醫學影像並不只服務MC，還要去理解clinical scientist（真不知道怎翻譯）的需求。

再說的層次高一點，最核心的能力是理解醫療體系的workflow，CV和DL作為工具如何找到自己的VP。

總結，醫療影像在DL和CV並不特殊，特殊的是背後的domain knowledge，這不是學生可以通過讀書，做點toy項目去學習的。

作為學生，不用太糾結醫療影像，放心大膽地去學一般的DL和CV就好了。

推薦閱讀：
相关文章