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。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。

职业教育研究所（http://www.camec.org.cn ）工业与信息化技术培训网（http://www.itcc.ac.cn ）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。

   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。

   二、上课形式

经典任务案例实际操作，统一提供数据，统一提供训练代码，零基础快速掌握人工智能应用工具。培训后微信群长期答疑平台，解答学员存在的技术问题。

   三、时间地点

   《远程在线培训班和线下现场培训两种授课方式任选其一》

    2023年11月10日—2023年11月13日    远程在线授课

   2023年11月10日—2023年11月13日    北京*机房上课

   四、医学影像案例深度学习算法实战结合

   （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。

   （二）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。

   （三）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。

   （四）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。

   五、课程讲解

   (一)人工智能与影像组学综述  

   (二)影像组学SCI论文、专利、基金申请写作思路重要内容

   (三)影像组学数据获取以及数据标注   

   (四)人工智能实验环境配置

   (五)深度学习Python入门指导 

   (六)深度学习Pytorch实践操作

   (七)医学临床案例演示及实践操作

   (八)分类影像学

   (九)分割影像学

   (十)影像组学人工智能论文复现

   (十一)辅助课程   1.疑难解答、分组讨论。

   六、联系方式

联系人:  期涛（老师）          手机（微信同号）：15210196261

电话：010-56129268             网址：http://www.camec.org.cn

E_mail：cashq_ict@vip.163.com      官方咨询QQ：513692711

工业与信息化技术培训网：http://www.itcc.ac.cn

影像组学QQ群群号： 823857372（加群备注：期涛邀请）

                                   职业教育研究所

                                    2023年09月21日