時間地點:
2021 年 09 月 2 3 日—2021 年 09 月 2 6 日 遠端線上授課
(第一天全天報到，授課三天，線上上課)
醫學實驗平台
路徑：任務→案例指向→問題分類→模型比對→對比實驗→效果測試→半開放式開發→更新、遷移
| 多任務适配： | 1. 2D影像分類，涉及病竈識别， 疾病類型診斷。 2. 2D影像分割，病竈區域分割。 3. 2D感興趣區域檢測 | 4. 3D器官組織識别 5. 3D影像疾病診斷 |
| 多算法平台： | 6. ResNet、VGG、InceptionV1- V4 7. FCN、MaskRCNN、UNet 8. SSD、YOLO V1-V4 | 9. Med3D、Unet3D、PraNet、Vnet、DenseNet3D、HyperDenseNet 10. 等常見醫學影像處理網絡結構 |
| 多樣化資料全适用： | 11. 結構化資料 12. CT資料 13. 超聲資料 14. MRI資料 | 15. X-Ray資料 16. 時間序列資料 17. 2D、3D資料 |
| 應用一站式平台： | 18. 資料标注 19. 資料預處理 20. 資料适配 | 21. 模型适配 22. 自動調取算力 |
| 半開放式開發： | 23. 多樣化、多種類實驗并行 24. 底層代碼子產品化 | 25. 更新優化路徑開放，更新、擴充、遷移邏輯清晰 |
一、結構化資料
以《乳腺癌資料分析及自動診斷》資料為例，進行結構化資料的介紹。
1. 結構化資料的處理方法。
1. 如何快速讀取結構化資料。
2. 使用pandas對資料快速進行統計學分析。
2. 傳統機器學習算法對問題進行模組化。
1. 基于scikit-learn中的算法，例如LR、SVM、RF、GBDT等常見的監督算法。
2. 基于XGBoost的模組化方法。tree_method、max_depth等重要參數的介紹。
3. 基于LightGBM的模組化方法。eta、objective等重要參數介紹。
3. 案例上手練習：基于LightGBM的機器學習模組化方法。
二、醫院影像資料--分類任務
以《乳腺癌識别》以及《COVID-19 新冠肺炎識别》為例，介紹何如從 CT 掃描資料中識别指定疾病。
1. 圖像分類網絡詳解。
1. 面向精度的圖像識别網絡，LeNet、AlexNet、VGG、Inception、ResNet等。
2. 面試速度的圖像識别網絡，MobileNetV1、MobileNetV2、ShuffleNet等。
1. CT資料的預處理。
1. 訓練資料的如何進行劃分，如何進行裁剪。
2. 為應對資料量不足的情況，在訓練模型的過程中如何對資料進行實時的資料增強。
2. 案例上手練習：基于CNN的圖像分類方法，乳腺癌識别或者COVID-19新冠肺炎識别二選一。
1. 資料集如何使用。
2. 自己的資料如何适配到給定的算法。
3. 其它可能擴充的任務場景介紹，例如肝炎CT資料識别等。
三、醫學影像資料--分割任務
以《人腦惡性良性腫瘤分割》以及《皮膚疾病病竈區域分割》為例，介紹如何使用分割算法将制定區域從圖像中分割出來。
1. 圖像分割網絡詳解。
1. FCN，第一個基于全卷積的圖像分割算法。
2. DeepLab V1-V3系列算法介紹。
3. UNet及其衍生算法在圖像分割，尤其是醫學影像資料的分割算法中的應用。
2. 資料的預處理。
1. 資料集介紹，分割算法依賴的資料包括那幾個重要的部分。
2. 如何對分割資料形成對應的mask。
3. 案例上手聯系：基于UNet的圖像分割方法。人腦惡性良性腫瘤分割或者皮膚疾病病竈區域分割二選一。
1. 如何将自己的資料适配到UNet算法。
2. 其他可能擴充到的分割場景。
3. 如何使用已經訓練的模型，對未知的資料進行預測。
四、課程講解
| 一、中的影像組學案例剖 析 | 1. What，是什麼。影像組學中的分類問題案例介紹 2. 使用平台解決新冠肺炎識别任務（What）。 a) 資料集配置 b) 模型訓練 c) 模型預測效果分析 3. Where，在那。影像組學中的感興趣區域檢測案例介紹 4. 使用平台解決肺部CT資料中肺器官檢測。 5. Which，哪個是。影像組學中不規則區域分割案例介紹 6. 使用平台解決肺部CT資料中肺器官檢測。 | |
| 二、平台的标注資料 | 1. 分類影像學的通用解決方案 a) Labelme資料标注 b) 标注資料自動轉化配置 c) 一鍵使用進行訓練 | 2. 檢測影像學的通用解決方案 3. 分割影像學的通用解決方案 4. 3D标注軟體ITK-SNAP |
| 三、案例示範及實操 | 1.肺部疾病診斷 | 9.胃腸鏡高分化癌 |
| 2.基因突變預測 | 10.器官分割 | |
| 3.眼底疾病智能識别 | 11.預警量表診斷評估 | |
| 4.黑色素瘤診斷 | 12.癌症預後分析 | |
| 5.肺炎類型診斷 | 13.蛋白質遺傳組學分析 | |
| 6.預後模型履歷及驗證 | 14.CT影像輔助診療 | |
| 7.器官識别 | 15.多模态任務模型建構 | |
| 8.神經元結構的分割 | ||
| 四、算法模型調優 | 1. 模型訓練中基本概念 a) 學習率 b) 損失函數等 c) 過拟合問題 d) 初始化函數 | 2. 遷移學習 a) 如何進行遷移學習 b) 模型參數如何進行遷移 3. 如何在中進行超參調整和遷移學習 |
| 案例：模型超參數調優以及遷移學習 | ||
| 五、如何搭建高性能AI實 驗環境配 | 1. 實驗環境配置要求 2. 實驗環境配置介紹 | 3. 深度學習開發環境搭建 4. 實驗室環境計算資源配置 |
| 案例：搭建并配置好人工智能實驗環境 |
| 六、分類影像學 | 1. 圖像分類網絡詳解。 a) 面向精度的圖像識别網絡，LeNet、AlexNet、VGG、Inception、ResNet等。 b) 面試速度的圖像識别網絡，MobileNetV1、MobileNetV2、ShuffleNet等。 2. CT資料的預處理。 a) 訓練資料的如何進行劃分，如何進行裁剪。 b) 為應對資料量不足的情況，在訓練模型的過程中如何對資料進行實時的資料增強。 3. 案例上手練習 a) 資料集如何使用。 b) 自己的資料如何适配到給定的算法。 c) 其它可能擴充的任務場景介紹，例如肝炎CT資料識别等。 | ||
| 案例:實作一個新的模型并添加入平台 | |||
| 七、分割影像學 | 1. 圖像分割網絡詳解。 a) FCN，第一個基于全卷積的圖像分割算法。 b) DeepLab V1-V3系列算法介紹。 c) UNet及其衍生算法在圖像分割，尤其是醫學影像資料的分割算法中的應用。 2. 資料的預處理。 a) 資料集介紹，分割算法依賴的資料包括那幾個重要的部分。 b) 如何對分割資料形成對應的mask。 3. 案例上手聯系：基于UNet的圖像分割方法。 a) 如何将自己的資料适配到UNet算法。 b) 其他可能擴充到的分割場景。 c) 如何使用已經訓練的模型，對未知的資料進行預測。 | ||
| 案例:平台中皮膚病病竈區域分割中模型選擇 | |||
| 八、人工智能與影像組學綜述 | 1. 影像組學應用進展研究 | 3. | 影像組學分析流程介紹 |
| 2. 影像組學核心思想剖析 | 4. | 深度學習的發展及趨勢 | |
| 九、影像組學SCI論文、專利、基 | 1. 影像組學SCI論文書寫流程 | 4. | 影像組學專利撰寫要點 |
| 金申請寫作思路重要内容 | 2. 影像組學SCI論文評價标準 | 5. | 影像組學基金的撰寫思路 |
| 3. 影像組學專利申請流程 | |||
| 案例：病理基因的修正案例 | |||
| 十、資料處理Python入門指導 | 1. 0基礎入門Python | 3. | Pandas庫基礎解讀 |
| 2. NumPy庫基礎解讀 | 4. | 圖像預處理方法介紹 | |
| 案例：使用python處理dicom類型CT資料 | |||
| 十一、Pytorch入門 | 1. 中用到的Pytorch接口 | 3. | 優化器和一些模型參數 |
| 2. 如何生成指定的資料生成器 | 4. | 儲存加載模型 |
檢視詳細介紹請通路：醫學影像組學人工智能應用https://www.lvdouxuan.com/detail/191.html
https://www.lvdouxuan.com/detail/191.html