课件为人工智能讲师叶梓人工智能系列课程之一,更多课程,及老师资料可点击 个人主页 助力QQ526346584
人工智能之深度学习在医学影像领域应用技术实战课程介绍
近年来,随着人工智能领域异军突起,深度学习(Deep Learning)技术在医学影像方面的应用越来越广泛而深入,对于提高临床医疗水平、实现精准医疗起着越来越重要的作用,并已迅速成为医学图像分析研究热点,在学术界和工业界取得了广泛的成功以及已成为人工智能技术落地的重要突破口。为了帮助更多的医学界同仁及相关研究人员了解医学影像人工智能学科前沿、提高技术水平,研数数据科技特主办”医学影像人工智能深度学习实战培训班”。
课程特色:
1、 本课程力图理论结合实践,强调从零开始,重视动手实践;
2、 课程内容以原理讲解为根本,以应用落地为目标。报名时学员可将工作中遇到的问题提交给老师,课中老师将选择典型问题现场讨论指导;
3、 课程通过大量形象的比喻和手算示例来解释复杂的学习理论,既能将原理充分讲懂讲透,也避免了繁复而枯燥的公式推导。
课程体系:
第一课:概述与环境配置安装准备工作
| 1.1 课程简介 1.2 Anaconda Python安装 1.3TensorFlow或TensorFlow-GPU的安装 1.4 Keras安装 1.5 OpenCV环境安装 |
第二课:计算机视觉及其在医疗领域的应用
| 2.1 计算机视觉简介 2.2 数字图像的存储 2.3 医学影像种类 2.4 医学影像的存储 2.5 病理切片的存储 2.6 计算机视觉任务的目标分类及难点 2.7 医学影像自动读片任务简介 2.8 病理读片任务简介 2.9 其他医疗图像领域的应用 |
第三课:图像预处理与特征提取
| 3.1 对比度和亮度校正 3.2 平滑与锐化:初识卷积 3.3 HE、AHE与CLAHE 3.4 边缘检测、角点检测、斑块检测 3.5 SIFT特征 3.6 SURF特征 3.7 ORB特征 3.8 HOG特征 |
第四课:神经网络
| 4.1 神经网络的由来 4.2 人工神经元及感知机模型 4.3 前向(Feed Forward)神经网络 4.4 神经网络的权值 4.5 激励函数:sigmoid、tanh等 4.6 损失函数 4.7 神经网络的训练:梯度下降法 4.9 手算神经网络BP算法 4.8 神经网络的训练:误差反向传播算法详解 4.10 手写数字的识别 |
第五课:深度神经网络
| 5.1 深度学习与神经网络的区别与联系 5.2 梯度消散问题分析 5.3 梯度消散解决方案(ReLU) 5.4 过拟合问题 5.5 Dropout 5.6 批量正则化(Batch Normalization) 5.7 神经元的初始化 5.8 权重衰减(Weight Decay) 5.9 各种梯度下降的优化方法(SGD、Adagrad、RMSprop、Adam等) |
第六课:图像分类及其在医疗领域的应用
| 6.1 图像分类概述 6.2 AlexNet 6.3 卷积层的误差反向传播 6.4 池化层的误差反向传播 6.5 VGG(5层变为5组) 6.6 迁移学习 6.7 应用案例:通用领域的图像识别 6.8 GoogLenet和Inception模块 6.9 ResNet 6.11 应用案例:病理切片良恶性分析 6.10 FPN 6.12 应用案例:细胞计数等 |
第七课:目标检测及其在医疗领域的应用
| 7.1 目标检测问题 7.2 应用案例:基于级联分类器的人脸检测 7.3 支持向量机(SVM)简介 7.4 应用案例:行人检测 7.5 R-CNN 7.6 快速R-CNN 7.7 更快的R-CNN 7.8 YOLO 7.9 应用案例:医疗影像领域的目标检测案例(肺小结节) |
第八课:图像分割及其在医疗领域的应用
| 8.1 全卷积网络(FCN) 8.2 上采样的三种实现方式 8.3 膨胀卷积 8.4 DeepLab V1~V3 8.5 U-Net 8.6 V-Net和3D U-Net 8.7 FC-DenseNet 8.8 应用案例:利用U-Net实现的前列腺的分割 |
第九课:现场解答问题
| 学员可提交一到两个实际工作中遇到的问题,讲师会在课程结束后,会选择比较有代表性的问题进行解答。 |