深度学习与医学图像处理：新近教材值得一读

深度学习领域是经典教材非常流行的地方，普通人不一定会专门去阅读细分领域的中文教材。因此，起初我对这本书并没有太高的期望。但是让我感到意外的是，这本教材尽管不如经典教材那样严谨细密，甚至有些缺陷（详见后文），但它确实能给初学者带来实在的收获，是新入行的朋友们值得一读的。

我遇到过一些学生，特别是那些在其他领域有一定经验的学生，在开始进行医学影像方面的研究时仍然会遇到困难。我首先让他们学习DICOM的基本操作，然后再寻找合适的医学图像相关框架。回想起我自己，其实也是通过这样的方式逐步学习来的。

我还遇到过一些非常优秀的同行，他们的术语体系和我们并不完全一致，有时候沟通起来也会有问题。例如，在面向临床的医学图像领域，有一些经典的任务分类，而对于熟悉计算机视觉领域的学者来说，在定义上可能会与我们产生不一致。举个例子，"模态"的概念，对于一个计算机视觉的专家和一个从事传统影像学的专家来说，他们的第一反应肯定是不同的。

随着时代的发展和领域的成熟，我们终于迎来了一个时刻，有一本参考书可以将我们之前只能靠摸索、只能通过阅读代码和文档总结的经验以教材的形式呈现出来。这是非常有意义的事情，也体现了学术的进步。有了这本书，进入这个领域就变得更容易了。

这本书的写作方式非常好，它向新学生展示了整个流程。我想每个实验室可能都有自己的研究流程，我本人也有一套方法来协调团队成员进行推广。这个流程包括数据获取、匿名化、标注、预处理等，并需要使用很多工具。这本书提供了一个很好的流程范例。虽然具体的方法和我常用的模式有所不同，但这只是风格上的差异，并没有优劣之分。按照这个流程进行项目开展也能取得很好的效果。书中还对各种任务进行了简单介绍，并结合最新的模型和技术展示了完整的代码。这也让我眼界开阔，因为在之前，我对我不感兴趣的任务是不会去看代码的。

这本书也很短，如果不调试代码的话几个小时就能读完。这也是它与那些厚重的经典教材的区别所在。它的内容并不多，但却足够用心，恰到好处地给出你所需的那些信息。因此，如果你对医学图像处理的理论和工具链使用一无所知，这本书并不是一个很好的选择。这本书更适合已经学过基本知识但没有接触过实际业务的新手。同样地，这本书也非常适合。如果你只是想通过代码学习一些基本的套路，这本书也可以带你阅读一遍代码，从中获益匪浅。

最后，我想提出一些可以改进的方面。首先，在深度学习框架的选择上，书中采用了TensorFlow+Keras的模式。这固然没有任何问题，但是近年来PyTorch变得非常流行，未来的版本可以考虑更加倾向于使用PyTorch。另外，代码风格方面也不是很严谨。

总之，无论如何，一个年轻团队能够产出这样的作品，对社区做出了重要的积极贡献，值得赞赏。