醫學圖像處理與深度學習

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

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,825評論 6 546
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,814評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,980評論 0 384
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 64,064評論 1 319
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,779評論 6 414
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,109評論 1 330
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,099評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,287評論 0 291
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,799評論 1 338
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,515評論 3 361
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,750評論 1 375
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,221評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,933評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,327評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,667評論 1 296
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,492評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,703評論 2 380

推薦閱讀更多精彩內容