近些年來，AI研究開展的熱火朝天，各個器官疾病的診斷模型都有不同程度的嘗試與研究，基于AI的影像組學應用已經覆寫病灶檢測、病理診斷、放療規劃和術后預測等臨床階段，影像組學的分析流程主要由獲取影像影像資料、影像分割、特征篩選與降維、構建模型進行預測幾大步驟構成，影像組學作為醫工交叉的產物，其應用先進的計算機方法解決臨床具體問題，具有智能診斷、智能評估、智能預測等廣闊的應用前景， “人工智能+醫學影像”，是將目前最先進的人工智能技術應用于醫學影像診斷中，幫助醫生診斷患者病情的人工智能具體應用場景，在臨床上，可以給醫院、醫生提供很重要的支撐,隨著人工智能和醫學影像大資料在醫學影像領域的普及和應用，醫學影像所面臨的診斷準確性和醫生缺口等問題便可迎刃而解，兩者的融合將成為醫學影像發展的重要方向,由于其研究涉及醫工交叉學科，需要醫學和工科緊密合作，而絕大部分醫學生或醫生并無工科背景，
部分學習方法（緊跟本人科研相關）總結
掌握影像組學研究程序與方法，掌握AI影像組學SCI論文閱讀寫作思路，常用影像組學建模方法及未來發展方向和科研思路，
結合具體臨床實際案例，進行案例講解和專題討論，有效的提升學員解決臨床和科研問題的
能力，
《眼底血管》《肝臟腫瘤》《非小細胞癌》《COVID-19-ct-scans左右肺新冠肺炎》《肺結核》《MSD腦瘤》等經典案例實踐訓練，
各高校、醫院、企業、事業單位等從事醫學、生命科學、藥學、醫學資訊、人工智能、機器學習、深度學習、大資料的科研人員都有做人工智能與醫學影像作業，現在國內人工智能醫學影像與生命科學是國家大力發展的學科之一，擁有無限的潛力.
第一天 一、 1、影像組學綜述2、python基礎3、深度學習基礎4、基于AI的影像組學論文閱讀與寫作5、Github簡介6、影像組學資料標注7、pytorch神經網路分類案例8、pytorch神經網路2D影像分割案例9、pytorch神經網路3D影像分割案例
第一天 二、影像組學綜述 1、影像組學應用背景和研究進展2、影像組學核心思想和分析流程3、影像組學資料分析和模型建立4、影像組學可視化模型預測與評價指標 ROC曲線PR曲線5、人工智能在醫學影像組學的發展及趨勢 深度學習
第一天 三、python基礎 1、環境搭建與基礎語法了解Python的整體發展Python環境安裝Python基礎語法實戰：Python第一個腳本2、資料結構 資料型別3、流程控制與函式 實戰：Python第一個函式4、面向物件面向物件 類 繼承實戰：定義Python第一個類5、錯誤與例外錯誤 例外 例外處理6、庫與包標準庫 虛擬環境
第二天 深度學習基礎 1、神經網路簡介神經網路歷史與發展pytorch numpy安裝2、資料基礎張量基礎 基礎運算 變數基礎 梯度下降3、線性神經網路回歸 單層線性神經網路（全連接層） 分類 其它實戰用pytorch搭建單層神經網路4、多層感知機多層感知機 其它實戰用pytorch搭建MLP5、CNN卷積基礎 搭建CNN實戰用pytorch搭建CNN
第二天 二、基于AI的影像組學論文閱讀與寫作 1、論文閱讀Background Motivation Method Experiments Conclusion Limitation2、論文寫作
第二天 三、Github簡介 1、Github介紹2、Git工具 Git命令 代碼倉庫3、Gitee介紹
第二天四、影像組學資料資料標注 1、標注軟體Pair介紹 2、影像學分類資料標注3、影像學檢測資料標注 4、影像學ROI分割資料標注
第三天一、pytorch神經網路分類案例 1、醫學分類資料集介紹 2、AlexNet 3、VGGNet 4、GoogleNet 5、ResNet6、DenseNet 7、MobileNet 8、NasNet 9、ResNext使用COVID-CT(新冠)、NIHChest Xray(14種肺部疾病)、Shenzhen Hospital X-ray Set(肺結核)、Montgomery County X-ray Set(肺結核)、RSNA(肺炎)、CT Images in COVID-19(新冠)、Figure1-COVID-chestxray-dataset(新冠)、Ieee8023(新冠)等分類資料集訓練網路
第三天二、pytorch神經網路2D影像分割案例 1、醫學2D分割資料集介紹 2、FCN 3、SegNet 4、Unet 5、Unet++ 6、PSPNet 7、Deeplab 8、MiniSeg使用CHASE_DB1(眼底血管)、DRIVE(眼底血管/眼球)、Data Science Bowl 18(細胞核)、STARE(眼底血管)、CVC-ClinicDB(息肉)等2D分割資料集訓練網格
第四天一、pytorch神經網路3D影像分割案例 1、醫學3D分割資料集介紹 2、FCN3d 3、Vnet 4、Unet3d 5、Residual-Unet3d 6、DenseVoxelNet3d 7、3d HighResNet 8、Densenet3d使用Lits(肝臟/肝臟腫瘤)、Sliver07(肝臟)、3Dircadb(肝臟/肝臟腫瘤)、CHAOS(肝/腎/脾)、MSD(肝臟/肺臟/腦瘤/海馬體)、NSCLC-Radiomics(非小細胞癌)、covid19-ct-scans(左右肺/新冠感染)等3D分割資料集訓練網路
第四天傳染病資料資料集影像示例 資料集影像示例：分類資料集：COVID-CT(新冠) NIHChest Xray(14種肺部疾病) Shenzhen Hospital X-ray Set(肺結核) Montgomery County X-ray Set(肺結核)RSNA(肺炎) CT Images in COVID-19(新冠) Figure1-COVID-chestxray-dataset(新冠) Ieee8023(新冠)2D分割資料集：CHASE_DB1(眼底血管) CVC-ClinicDB(息肉) DRIVE(眼底血管) Data Science Bowl 18(細胞核)3D分割資料集：Lits(肝臟/肝臟腫瘤) Sliver07(肝臟) 3Dircadb(肝臟/肝臟腫瘤)CHAOS(肝/腎/脾) MSD(肝臟) MSD(肺臟) MSD(腦瘤) MSD(海馬體) NSCLC-Radiomics(非小細胞癌) covid19-ct-scans(左右肺/新冠感染)
部分資料集影像示例
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/295042.html
標籤：其他
上一篇：EasyDL-SDK樹莓派部署1
下一篇：深度學習——計算機視覺