医学影像组学AI深度学习应用实践之影像组学特征如何进行提取实操讲解

发布人

医学影像组学AI深度学习应用实践培训班 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、时间地点: 2022年08月26日—2022年08月29日   远程在线授课 三、医学影像案例深度学习算法实战结合： 1. 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。 (1) 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。 2. 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。 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。 3. 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。 其它可能扩展的任务场景介绍，例如肝炎CT数据识别等。 4. 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。

打开封面下载高清视频观看高清视频视频下载器