已看完吴恩达的机器学习课程，正在刷他的深度学习微专业（deeplearning.ai），大致有五个模块，但感觉不看书易导致概念理解模糊。英语能力足以阅读外文书籍文献，日后有涉足医学图像分析处理的计划。

国外有哪些优秀的机器学习及深度学习的书籍值得推荐？望前辈多多指点以有效自学。

更新:周老师已开源全书地址为:

PDF for Medical Image Recognition, Segmentation and Parsing?

mp.weixin.qq.com图标

为周老师打call，以下为原回答

推荐一本周少华(kevin zhou)老师的书。周老师之前是西门子演算法的最高级别科学家，现回中科院计算所当教授了，对整个医疗领域的工业和学术届都有著很深的理解

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

这本书对传统医疗图像的任务挑战及当时state of the art有著很详细的介绍，一些西门子研究院参与编写章节的演算法更是运用到了实际产品中。

虽然有些任务已被当下深度学习替代，但比起堆数据调参数，传统方法有著更好的解释性和对out of distribution数据的鲁棒性，想必未来深度学习在医学领域突破绕不开把传统方法通过proposalprior
egularizationconstraint等与深度学习结合，做出适应本身领域的工作，而不是把自然图像方法拿来即用。

利益相关：前西门子员工，周老师粉丝，读过全书，受益匪浅

请问有没有国外优秀的机器学习以及深度学习的书籍推荐？

其他知友回答了很多了，众口皆碑的书就那么几本，更主要的问题是能不能耐下心来把这些书啃下来。

关于医学图像分析与处理的自学资料

可能有点跑题的回答：在专业细化的今年，任何一个医学图像处理的小方向都足以耗费一个人硕+博7年或更长的时间。医学图像处理的具体方向有很多，图像分割、图像配准、图像去噪、图像分类等等。在不同方向中不同的任务需要的演算法也不一样，以图像分割为例，有CT、MR图像中器官的分割，肿瘤的分割，病例图像细胞核分割、癌症区域分割，眼底图像分割等等。虽然这么多任务都属于 医学图像处理中的医学图像分割方向，但是适用于这些任务的演算法大相径庭，同样的，想把其中的任何一个任务做的出彩，都足以耗费硕+博7年的时间。

基于以上，笔者的建议是：通过具体问题来驱动学习。找到自己感兴趣的大方向，比如分割，配准，分类等等，从中选一个，然后在这个大方向下找一个具体的任务作为突破口来找学习资料。

从哪里找好的医学图像处理问题？

笔者好问题的定义是：值得研究而且目前尚未解决的问题。这里推荐一个医学图像处理竞赛的网站：

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

grand-challenge.org

一个问题既然被拿出来作为比赛（有的还设立了奖励），说明这个问题很值得解决，而且根据比赛结果很容易知道目前最好的团队和演算法做到了什么地步，自己还有多少深挖的空间。所以可以从这里面选择一个自己感兴趣的方向入手，查看这个问题上表现最好的方法，github找响应的开源代码或者发邮件问作者是否愿意公开等等，进一步可以考虑如何能改进现有演算法。

Take home message: 找一个感兴趣的、具体的医学图像处理任务来入手学习。

后记：如果对医学图像分割感兴趣，想入门了解下，在这里推荐一个历史悠久而且被广泛关注的问题，脑肿瘤分割

MICCAI BRATS - The Multimodal Brain Tumor Segmentation Challenge?

braintumorsegmentation.org

这个比赛今年已经是第8年了（也从侧面反映了医学图像处理一个具体的问题就足以耗费众多研究人员8年的时间），目前还在设立比赛，因为这个问题还没有完全被解决掉。如果对分类、回归、不确定性感兴趣，这个比赛也设立了相应的任务。

更重要的是，前面7年参赛者的方法都能在这个网站下载到，这是一个很好的遍览这么多年分割方法发展的渠道，有的作者还在文章里给出了自己的代码链接。

最后补充一点：医学图像分割现在非常热门，但竞争也很激烈，如果打算超这个方向深入（比如读硕士或博士），请做好打持久战的准备，出好的成果挺难。

不太清楚题主的知识背景，那么只能给出比较宽泛的建议

首先，机器学习入门参考 @微调 老师 如何用3个月零基础入门「机器学习」？

吴恩达老师的课程除了观看视频外，务必把其课后编程作业也一并完成，不然的话知识很难固定下来。

其次，西瓜书《机器学习》和小蓝书《统计学习方法》第二版，可作为中文参考教材，建议花时间过一遍。（当然如果题主的自学能力很强，那就直接自学下面的英文教材吧）

再次，如果要深入学习，英文教材可选择机器学习 《PRML》 或 《MLAPP》 二选一 ，深度学习就用花书 《Deep Learning》 ，个人经验这需要啃很久，建议先作为参考书，需要什么再针对性地学习对应章节。

针对题主 @LuxuryofTime 关于 数字图像处理 国外教材 的需求 推荐《digital image processing》Gonzalez 国内也有影印版和中译本。

借用 @zzzz 的回答，针对 医学图像处理 推荐 周少华（Kevin Zhou）如下的著作：

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

传送门：sciencedirect.com/book/9780128025819/medical-image-recognition-segmentation-and-parsing

有朋友私信联系我想要这本书，请点击如上链接去官网自行下载。

（此处本来提供了云盘链接，但涉及分享盗版书籍，被删除）

医学图像处理和计算机视觉有交叉，但还是有很大区别的。

建议先与导师商量，选择一个确定的小方向课题，然后带著任务针对性的阅读经典文献和前沿文献，通过复现模型和构建模型锻炼自己的编程能力，在实战中加深对应领域的理解。

我之前也做过一个医学影像的项目，和kaggle比赛里的那个癌细胞分类的比较像，后来就开始寻找有没有什么关于医学影像方面的深度学习书籍，然后找到了两本，还没开始看。

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

2. Deep Learning for Medical Image Analysis

医学图像与其他图像最大的区别并不是后期处理，毕竟天下的每一个bytes都是一样的。

医学影像的难点：

底基层面上来说，理解成像过程的物理意义和数字化过程，理解标准和文件格式（eg, DICOM）为什么如此。

层次高一点，要去理解医生的诊断过程，比如说医学影像对于放射科和皮肤科是完全不一样的。而且，医学影像并不只服务MC，还要去理解clinical scientist（真不知道怎翻译）的需求。

再说的层次高一点，最核心的能力是理解医疗体系的workflow，CV和DL作为工具如何找到自己的VP。

总结，医疗影像在DL和CV并不特殊，特殊的是背后的domain knowledge，这不是学生可以通过读书，做点toy项目去学习的。

作为学生，不用太纠结医疗影像，放心大胆地去学一般的DL和CV就好了。

推荐阅读：
相关文章