人工智能在醫學領域發展迅速,很大程度上得益于機器學習技術的進步,而機器學習也成為醫學領域不斷創新的新引擎。隨著計算機技術的不斷發展,深度學習迅速成為醫學圖像處理的主流研究熱點。近年來醫學圖像的分析與處理也成為醫學研究、臨床疾病診斷和治療中不可或缺的技術手段。現代醫學疾病的診斷基于多種多樣的信息,而深度學習的加入則提高了醫療效率和診斷準確率。應新老客戶的培訓需求,北京軟研國際信息技術研究院特舉辦“機器學習深度學習醫學圖像處理與疾病診斷專題”線上實戰培訓,本次培訓由互動派(北京)教育科技有限公司具體承辦。
機器學習深度學習醫學圖像處理與疾病診斷專題
目錄主要內容
第一天 上午
機器學習入門
1.1 Matlab編程基礎
1.2 數據采集和預處理(分割、配準、去噪)1.3 特征提取與歸一化(線性歸一化、0均值標準化)1.4 特征選擇方法(過濾法、封裝法、嵌入法)1.5 分類和回歸方法1.6 模型評估與選擇1.7 可解釋性
第一天 下午
機器學習疾病診斷實踐過程
2.1 正常人和病人的fMRI數據集及預處理腦網絡構建(特征提取)
2.2 閾值化和特征選擇方法相結合獲得識別特征2.3 閾值化、t-test和elastic net單獨選擇特征和組合選擇特征2.4 支持向量機 SVM、Logistic回歸、決策樹定性診斷2.5 支持向量回歸SVR、Elastic net預測疾病嚴重性2.6 比較實驗結果并輸出ROC曲線和性能圖2.7 置換檢驗驗證結果的可信度2.8 有識別力的連接特征與可視化
第二天 上/下午
經典案例實戰操作
(1)
功能磁共振影像(fMRI)神經精神疾病定性診斷與預測(2)基于結構磁共振影像(MRI)的神經精神疾病定性診斷與預測(3)基于多模態磁共振影像的疾病診斷(4)基于域適應的多中心磁共振影像數據預測疾病
第三天 上午
深度學習入門
3.1神經網絡
3.2 Python編程基礎3.3前饋神經網絡3.4 深度學習與神經網絡、傳統機器學習的區別3.5 深度模型的構造3.6 梯度消失與解決梯度消失3.7 深度的用途3.8 典型深度學習模型3.9 深度學習開源平臺3.10 深度學習的優勢(特征表示)3.11卷積神經網絡(CNN)1)CNN發展歷史及核心思想:局部感知、權值共享2)CNN計算:卷積計算、多卷積核、池化、全連接層、網絡訓練3)LeNet-5詳細介紹4)CNN主要架構3.12 循環神經網絡(RNN)1)基本RNN網絡2)長短時記憶網絡及GRU:原理、訓練算法、學習過程及應用3)雙向LSTM及雙向GRU處理時序數據4)時間、空間注意力和自我注意力
第三天 下午
圖像病變檢測熱點案例實戰操作
4 深度學習環境配置(TensoFlow)
4.1 算法總框架4.2 數據集介紹4.3 數據預處理(ROI提取、調整圖像分辨率、歸一化、數據擴增)4.4 深度學習網絡核心模塊介紹4.5 損失函數設計4.6 環境配置4.7 訓練技巧(學習率選取、Epoch設置、特征歸一化、Dropout和Earlystop、損失函數曲線)4.8 實驗結果及分析
實例操作:
基于深度學習的X光胸片病變檢測定位及診斷(以兩個最新模型為例)
第四天 上午
圖像分割熱點案例實戰操作
(1)
基于深度學習的新冠肺炎CT病變分割及診斷(InfNet和CopleNet)(2)基于深度學習腦膠質瘤多模態MRI圖像分割及診斷(Transformer)
第四天 下午
圖像分類熱點案例實戰操作
(3) 基于雙向LSTM提取fMRI動態功能連接特征預測神經精神疾病
(4)基于圖卷積神經網絡(Graph CNN)的神經精神疾病預測(5)基于Inceptionv3的糖尿病視網膜病變圖像分類
答疑建立班級微信群,長期指導關于自己關心的醫學影像處理方案和策略