参会报名
会议介绍
会议日程
会议嘉宾
参会指南
手机下单

首页 > 培训课程 > 学术/科研培训 > 医学影像组学人工智能应用实践培训班9月线上班更新时间：2021-09-08T11:13:09

收藏3人

分享到

医学影像组学人工智能应用实践培训班9月线上班已截止报名
推荐参加：科技计划管理改革暨国家科技计划项目申报和科研平台建设运行、科研资金全过程管理使用高级研修班(12月广州)

课程时间： 2021-09-23 09:00至 2021-09-26 18:00结束

课程地点：线上活动

主办单位：北京仕而优教育科技集团有限公司

行业热销热门关注看了又看换一换

会议介绍
会议内容主办方介绍

医学影像组学人工智能应用实践培训班9月线上班宣传图

医学影像组学人工智能应用实践培训班

各企事业单位、高等院校及科研院所：

随着数字医学和医学图像信息学的发展，从医学图像中挖掘图像特征、解析临床信息，逐渐成为医学领域重要研究方向。通过对图像数据特征的深层次挖掘，医学图像能提供更多肉眼不能识别的信息，可用于指导临床决策。2012 年，影像组学（radiomics）概念的提出，影像组学分析流程主要包括：图像获取、病灶分割、特征提取和筛选、模型构建和临床信息解析等；其研究涉及医工交叉学科，需要医学和工科紧密合作，共同解决医生们在临床实践中提出的实际问题。

中国管理科学研究院职业资格认证培训中心特举办“医学影像组学人工智能案例结合实训班”。本次对前沿的影像组学及人工智能案例结合方法及应用进行了全面的讲解，帮助学员掌握影像组学临床和科研工作的开展方法和实现路径。

一、培训目标：

1、为每位学员统一配置数据标注、格式转化、训练模型（病灶识别、病灶位置、病灶分割）的集成试验平台，以方便零基础学员迅速进入实验验证。

2、结合具体临床实际案例，进行案例讲解和专题讨论，有效的提升学员解决临床和科研问题的能力。

3、《癌症的生存率预测》、《乳腺癌识别》、《COVID-19 新冠肺炎识别》、《人脑肿瘤分割》、

《皮肤疾病病灶区域分割》等经典案例实践训练。

二、时间地点:

2021 年 09月23日-2021年9月26日远程在线授课

(第一天软件辅助安装，授课三天)

课程配备Onekey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：	2D影像分类，涉及病灶识别，疾病类型诊断。 2D影像分割，病灶区域分割。 2D感兴趣区域检测	3D器官组织识别 3D影像疾病诊断
多算法平台：	ResNet、VGG、InceptionV1-V4 FCN、MaskRCNN、UNet SSD、YOLO V1-V4	Med3D、Unet3D、PraNet、Vnet、DenseNet3D、HyperDenseNet 等常见医学影像处理网络结构
多样化数据全适用：	结构化数据 CT数据超声数据 MRI数据	X-Ray数据时间序列数据 2D、3D数据
应用一站式平台：	数据标注数据预处理数据适配	模型适配自动调取算力
半开放式开发：	多样化、多种类实验并行底层代码模块化	升级优化路径开放，升级、扩展、迁移逻辑清晰

医学影像组学人工智能应用实践培训班9月线上班

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。其数据的典型特点为：

医学影像组学人工智能应用实践培训班9月线上班

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。

医学影像组学人工智能应用实践培训班9月线上班

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。

2.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。

3.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。

医学影像组学人工智能应用实践培训班9月线上班

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。

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。

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。

北京仕而优教育科技集团有限公司

会议日程（最终日程以会议现场为准）

四、课程讲解

一、Onekey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Onekey平台解决新冠肺炎识别任务（What）。数据集配置模型训练模型预测效果分析 3.Where，在那。影像组学中的感兴趣区域检测案例介绍 4.使用Onekey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Onekey平台解决肺部CT数据中肺器官检测。
二、Onekey平台的标注数据	分类影像学的通用解决方案 Labelme数据标注标注数据自动转化配置一键使用Onekey进行训练	检测影像学的通用解决方案分割影像学的通用解决方案 3D标注软件ITK-SNAP
三、案例演示及实操	1.肺部疾病诊断 2.基因突变预测 3.眼底疾病智能识别 4.黑色素瘤诊断 5.肺炎类型诊断 6.预后模型简历及验证 7.器官识别 8.神经元结构的分割	9.胃肠镜高分化癌 10.器官分割 11.预警量表诊断评估 12.癌症预后分析 13.蛋白质遗传组学分析 14.CT影像辅助诊疗 15.多模态任务模型构建
四、算法模型调优	模型训练中基本概念学习率损失函数等过拟合问题初始化函数	迁移学习如何进行迁移学习模型参数如何进行迁移如何在Onekey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OnekeyAI实验环境配	实验环境配置要求实验环境配置介绍		深度学习开发环境搭建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	图像分类网络详解。面向精度的图像识别网络，LeNet、AlexNet、VGG、Inception、ResNet等。面试速度的图像识别网络，MobileNetV1、MobileNetV2、ShuffleNet等。 CT数据的预处理。训练数据的如何进行划分，如何进行裁剪。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。案例上手练习数据集如何使用。自己的数据如何适配到给定的算法。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Onekey平台
七、分割影像学	图像分割网络详解。 FCN，第一个基于全卷积的图像分割算法。 DeepLab V1-V3系列算法介绍。 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。数据的预处理。数据集介绍，分割算法依赖的数据包括那几个重要的部分。如何对分割数据形成对应的mask。案例上手联系：基于UNet的图像分割方法。如何将自己的数据适配到UNet算法。其他可能扩展到的分割场景。如何使用已经训练的模型，对未知的数据进行预测。
	案例:Onekey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	影像组学应用进展研究影像组学核心思想剖析	影像组学分析流程介绍深度学习的发展及趋势
九、影像组学SCI论文、专利、基金申请写作思路重要内容	影像组学SCI论文书写流程影像组学SCI论文评价标准影像组学专利申请流程	影像组学专利撰写要点影像组学基金的撰写思路
	案例：病理基因的修正案例
十、数据处理Python入门指导	0基础入门Python NumPy库基础解读	Pandas库基础解读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	Onekey中用到的Pytorch接口如何生成指定的数据生成器	优化器和一些模型参数保存加载模型