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