医学影像组学 AI 深度学习应用实践培训班7月线上班
时间:2023-07-28 09:00 至 2023-07-31 18:00
地点:线上活动
- 参会报名
- 会议介绍
- 会议日程
- 会议嘉宾
- 参会指南
-
手机下单
医学影像组学 AI 深度学习应用实践培训班7月线上班 已截止报名课程时间: 2023-07-28 09:00至 2023-07-31 18:00结束 课程地点: 线上活动 主办单位: 华信医学科研平台
|
会议介绍
会议内容 主办方介绍
医学影像组学 AI 深度学习应用实践培训班7月线上班宣传图
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。医学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。
华信医学科研服务平台 联合举办“医学影像组学人工智能应用案例实践培训班”。本次培训班结合传统机器学习算法和深度学习神经网络算法,从医学影像的诊断、预测、分割、数据分析等四个方面进行课程讲解。授课过程涵盖医学影像的各个方向,从理论到代码实操,深入浅出的讲透人工智能技术在医学影像组学领域的应用。
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)的代码练习,以方便零基础学员迅速进入实验验证。
2、掌握影像组学研究过程与方法,掌握影像组学 SCI 论文写作思路,常用影像组学建模方法及未来发展方向和科研思路。
3、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。
4、《癌症的生存率预测》《肿瘤预后效果分析》《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。
上课时间
2023年07月28日—2023年07月31日
远程在线授课 (第一天全天报到,授课三天)
课程讲解
以《乳腺癌数据分析及自动诊断》数据为例,进行结构化数据的分析与介绍。其数据的典型特点和特征重要性分析如下:
(1) 结构化数据的处理方法
A. 结构化数据各种文件格式和编码格式的读取和保存。
B. 如何对结构化数据进行特征重要性分析。
C. 使用 pandas 和 scipy 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
A. 基于 scikit-learn 中的算法,例如 KNN、LR、DT、SVM、RF、GBDT 等常见的监督算法。
B. 基于 XGBoost 的建模方法。tree_method、max_depth 等重要参数的介绍。
C. 基于 LightGBM 的建模方法。eta、objective 等重要参数介绍。
D. 对结果进行分析,画出 ROC 曲线、P-R 曲线、混淆矩阵等。
(3) 案例上手练习:基于 DNN 的深度学习建模方法
A. DNN 模型在 Pytorch 的搭建。Pytorch 中的一些主要 API 的参数以及用法介绍。
B. Pytorch 训练 DNN 基本流程。model、train、loss function 等相关技术的串联。
C. 如何对模型进行部署测试。对于训练好的模型,使用测试集对模型的性能进行测试。
D. 案例上手练习:基于 XGBoost 的机器学习建模方法。
2. 自然语言数据
《癌症预后效果分析》,自然语言数据的任务的处理方法
(1) 数据的预处理方法
A. 文本等自然语言数据的进行分词,基于 jieba 分词的工具使用介绍。
B.【专有名词】字典如何输入到 jieba 中,使特定的单词不被分割。
C. 去掉停用词等,保留文本的主要信息。
(2) 数据的编码方式
A. 将文字信息,转化成一个向量表示。Embedding 的技术。
B. 可以考虑使用 wordnet、word2vec 等开源的 Embedding 的库,基于预训练的模型对特征进行迁移。
(3) 案例上手练习:基于 RNN 的深度学习建模方法。
A. RNN 网络如何使用 Pytorch 进行搭建。
B. 将编码好的文字信息输入到 RNN 当中,并且训练对应的模型。
C. RNN 模型部署测试。使用已经训练的模型对未知的数据进行测试,评估效果。
3. 医学影像数据——分类任务
《乳腺癌识别》以及《COVID-19 新冠肺炎识别》,从 CT 扫描数据中识别指定疾病。
(1) 图像分类网络详解
A. 面向精度的图像识别网络,LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet 等。
B. 面向速度的图像识别网络,MobileNetV1、MobileNetV2、MobileNetV3、ShuffleNetV1、ShuffleNetV2 等。
(2) CT 数据和模型预处理
A. 训练数据的如何进行划分,如何进行裁剪。
B. 使用 OpenCV 对 CT 数据进行处理。
C. 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。
D. 数据量不足,分类较多,算力不足等情况下,使用深度学习进行模型迁移训练。
(3) 案例上手练习
基于 CNN 的图像分类,乳腺癌识别或者 COVID-19 新冠肺炎识别。
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. 如何对模型进行迁移学习。
D. 其它可能扩展的任务场景介绍,例如肝炎 CT 数据识别等。
4. 医学影像数据——分割任务
《人脑肿瘤分割》、《皮肤疾病病灶区域分割》、《胰腺分割》、《肝脏分割》、《视网膜血管分割》等多个例子,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。
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. U-Net 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哪几个重要的部分。
B. 如何对分割数据形成对应的 mask。
(3) 案例上手练习
基于 U-Net 或者 U2-Net 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。
A. 如何将自己的数据适配到 U-Net 或者 U2-Net 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。
查看更多
会议日程 (最终日程以会议现场为准)
医学影像案例深度学习算法实战结合
查看更多
会议嘉宾
参会指南
会议门票
培训费用
A 类,每人3900元(含培训费、证书费、资料费、GPU 训练费、课后技术咨询费)
B 类,每人4580元(含培训费、证书费、资料费、GPU 训练费、课后技术咨询费)
颁发证书
A 类,由中国管理科学研究院职业资格认证培训中心颁发的《数字医学工程师》(高级)专业技能资格证书,官方网站查询,该证书可作为有关单位专业技术人员能力评价、考核和任职的重要依据。
B 类,由工业和信息化部全国网络与信息技术考试管理中心颁发的《人工智能工程师》职业技能证书,职业技能证书,官方网站官方网站查询或扫描证书上方的二维码查询,证书直接纳入专业人才数据库,该证书可作为企事业单位选拔和聘用专业人才的依据。(加上 A 类共两本证书)。
查看更多
温馨提示
酒店与住宿:
为防止极端情况下活动延期或取消,建议“异地客户”与活动家客服确认参会信息后,再安排出行与住宿。
退款规则:
活动各项资源需提前采购,购票后不支持退款,可以换人参加。