时间地点:
2021 年 09 月 2 3 日—2021 年 09 月 2 6 日 远程在线授课
(第一天全天报到,授课三天,线上上课)
医学实验平台
路径:任务→案例指向→问题分类→模型匹配→对比实验→效果测试→半开放式开发→升级、迁移
多任务适配: | 1. 2D影像分类,涉及病灶识别, 疾病类型诊断。 2. 2D影像分割,病灶区域分割。 3. 2D感兴趣区域检测 | 4. 3D器官组织识别 5. 3D影像疾病诊断 |
多算法平台: | 6. ResNet、VGG、InceptionV1- V4 7. FCN、MaskRCNN、UNet 8. SSD、YOLO V1-V4 | 9. Med3D、Unet3D、PraNet、Vnet、DenseNet3D、HyperDenseNet 10. 等常见医学影像处理网络结构 |
多样化数据全适用: | 11. 结构化数据 12. CT数据 13. 超声数据 14. MRI数据 | 15. X-Ray数据 16. 时间序列数据 17. 2D、3D数据 |
应用一站式平台: | 18. 数据标注 19. 数据预处理 20. 数据适配 | 21. 模型适配 22. 自动调取算力 |
半开放式开发: | 23. 多样化、多种类实验并行 24. 底层代码模块化 | 25. 升级优化路径开放,升级、扩展、迁移逻辑清晰 |
一、结构化数据
以《乳腺癌数据分析及自动诊断》数据为例,进行结构化数据的介绍。
1. 结构化数据的处理方法。
1. 如何快速读取结构化数据。
2. 使用pandas对数据快速进行统计学分析。
2. 传统机器学习算法对问题进行建模。
1. 基于scikit-learn中的算法,例如LR、SVM、RF、GBDT等常见的监督算法。
2. 基于XGBoost的建模方法。tree_method、max_depth等重要参数的介绍。
3. 基于LightGBM的建模方法。eta、objective等重要参数介绍。
3. 案例上手练习:基于LightGBM的机器学习建模方法。
二、医院影像数据--分类任务
以《乳腺癌识别》以及《COVID-19 新冠肺炎识别》为例,介绍何如从 CT 扫描数据中识别指定疾病。
1. 图像分类网络详解。
1. 面向精度的图像识别网络,LeNet、AlexNet、VGG、Inception、ResNet等。
2. 面试速度的图像识别网络,MobileNetV1、MobileNetV2、ShuffleNet等。
1. CT数据的预处理。
1. 训练数据的如何进行划分,如何进行裁剪。
2. 为应对数据量不足的情况,在训练模型的过程中如何对数据进行实时的数据增强。
2. 案例上手练习:基于CNN的图像分类方法,乳腺癌识别或者COVID-19新冠肺炎识别二选一。
1. 数据集如何使用。
2. 自己的数据如何适配到给定的算法。
3. 其它可能扩展的任务场景介绍,例如肝炎CT数据识别等。
三、医学影像数据--分割任务
以《人脑肿瘤分割》以及《皮肤疾病病灶区域分割》为例,介绍如何使用分割算法将制定区域从图像中分割出来。
1. 图像分割网络详解。
1. FCN,第一个基于全卷积的图像分割算法。
2. DeepLab V1-V3系列算法介绍。
3. UNet及其衍生算法在图像分割,尤其是医学影像数据的分割算法中的应用。
2. 数据的预处理。
1. 数据集介绍,分割算法依赖的数据包括那几个重要的部分。
2. 如何对分割数据形成对应的mask。
3. 案例上手联系:基于UNet的图像分割方法。人脑肿瘤分割或者皮肤疾病病灶区域分割二选一。
1. 如何将自己的数据适配到UNet算法。
2. 其他可能扩展到的分割场景。
3. 如何使用已经训练的模型,对未知的数据进行预测。
四、课程讲解
一、中的影像组学案例剖 析 | 1. What,是什么。影像组学中的分类问题案例介绍 2. 使用平台解决新冠肺炎识别任务(What)。 a) 数据集配置 b) 模型训练 c) 模型预测效果分析 3. Where,在那。影像组学中的感兴趣区域检测案例介绍 4. 使用平台解决肺部CT数据中肺器官检测。 5. Which,哪个是。影像组学中不规则区域分割案例介绍 6. 使用平台解决肺部CT数据中肺器官检测。 | |
二、平台的标注数据 | 1. 分类影像学的通用解决方案 a) Labelme数据标注 b) 标注数据自动转化配置 c) 一键使用进行训练 | 2. 检测影像学的通用解决方案 3. 分割影像学的通用解决方案 4. 3D标注软件ITK-SNAP |
三、案例演示及实操 | 1.肺部疾病诊断 | 9.胃肠镜高分化癌 |
2.基因突变预测 | 10.器官分割 | |
3.眼底疾病智能识别 | 11.预警量表诊断评估 | |
4.黑色素瘤诊断 | 12.癌症预后分析 | |
5.肺炎类型诊断 | 13.蛋白质遗传组学分析 | |
6.预后模型简历及验证 | 14.CT影像辅助诊疗 | |
7.器官识别 | 15.多模态任务模型构建 | |
8.神经元结构的分割 | ||
四、算法模型调优 | 1. 模型训练中基本概念 a) 学习率 b) 损失函数等 c) 过拟合问题 d) 初始化函数 | 2. 迁移学习 a) 如何进行迁移学习 b) 模型参数如何进行迁移 3. 如何在中进行超参调整和迁移学习 |
案例:模型超参数调优以及迁移学习 | ||
五、如何搭建高性能AI实 验环境配 | 1. 实验环境配置要求 2. 实验环境配置介绍 | 3. 深度学习开发环境搭建 4. 实验室环境计算资源配置 |
案例:搭建并配置好人工智能实验环境 |
六、分类影像学 | 1. 图像分类网络详解。 a) 面向精度的图像识别网络,LeNet、AlexNet、VGG、Inception、ResNet等。 b) 面试速度的图像识别网络,MobileNetV1、MobileNetV2、ShuffleNet等。 2. CT数据的预处理。 a) 训练数据的如何进行划分,如何进行裁剪。 b) 为应对数据量不足的情况,在训练模型的过程中如何对数据进行实时的数据增强。 3. 案例上手练习 a) 数据集如何使用。 b) 自己的数据如何适配到给定的算法。 c) 其它可能扩展的任务场景介绍,例如肝炎CT数据识别等。 | ||
案例:实现一个新的模型并添加入平台 | |||
七、分割影像学 | 1. 图像分割网络详解。 a) FCN,第一个基于全卷积的图像分割算法。 b) DeepLab V1-V3系列算法介绍。 c) UNet及其衍生算法在图像分割,尤其是医学影像数据的分割算法中的应用。 2. 数据的预处理。 a) 数据集介绍,分割算法依赖的数据包括那几个重要的部分。 b) 如何对分割数据形成对应的mask。 3. 案例上手联系:基于UNet的图像分割方法。 a) 如何将自己的数据适配到UNet算法。 b) 其他可能扩展到的分割场景。 c) 如何使用已经训练的模型,对未知的数据进行预测。 | ||
案例:平台中皮肤病病灶区域分割中模型选择 | |||
八、人工智能与影像组学综述 | 1. 影像组学应用进展研究 | 3. | 影像组学分析流程介绍 |
2. 影像组学核心思想剖析 | 4. | 深度学习的发展及趋势 | |
九、影像组学SCI论文、专利、基 | 1. 影像组学SCI论文书写流程 | 4. | 影像组学专利撰写要点 |
金申请写作思路重要内容 | 2. 影像组学SCI论文评价标准 | 5. | 影像组学基金的撰写思路 |
3. 影像组学专利申请流程 | |||
案例:病理基因的修正案例 | |||
十、数据处理Python入门指导 | 1. 0基础入门Python | 3. | Pandas库基础解读 |
2. NumPy库基础解读 | 4. | 图像预处理方法介绍 | |
案例:使用python处理dicom类型CT数据 | |||
十一、Pytorch入门 | 1. 中用到的Pytorch接口 | 3. | 优化器和一些模型参数 |
2. 如何生成指定的数据生成器 | 4. | 保存加载模型 |
查看详细介绍请访问:医学影像组学人工智能应用https://www.lvdouxuan.com/detail/191.htmlhttps://www.lvdouxuan.com/detail/191.html