第二十二期医学影像组学AI深度学习应用
实践培训班
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。
中国社科教育培训中心职业教育委员会（http://www.cssttcec.org.cn ）联合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:
2024年07月12日—2024年07月15日 远程在线授课
(第一天全天报到，授课三天，机房上课)
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。
(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。
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。
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。
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。
D. 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。
(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 |
1.影像组学核心思想剖析、分析流程介绍 2.影像组学影像组学数据分析、模型建立及实现 3.影像组学经典可视化内容描绘方法 4.人工智能在医学影像组学的发展及趋势 |
|
(二) 影像组学SCI论文、专利、基金申请写作思路重要内容 |
1.影像组学SCI论文书写流程 2.影像组学SCI论文评价标准 3.影像组学专利申请流程 4.影像组学专利撰写要点 5.影像组学基金的撰写思路及未来发展方向和科研思路 案例：病理基因的修正案例 |
|
(三) 影像组学数据获取以及数据标注 |
1.Labelme标注软件介绍 2.影像学分类数据标注 3.影像学检测数据标注 4.影像学ROI分割数据标注 案例：标注一个脑部肿瘤病灶区域 |
|
(四) 人工智能实验环境配置 |
1.实验环境配置要求 2.实验环境配置介绍 3.深度学习开发环境搭建 4.实验室环境计算资源配置 案例：搭建并配置好人工智能实验环境 |
|
(五) 深度学习Python入门指导 |
1.基础入门Python 2.NumPy库基础解读 3.Pandas库基础解读 4.OpenCV库基础解读 5.SciPy库基础解读 6.图像预处理方法介绍 案例：使用python处理dicom类型CT数据 |
|
(六) 深度学习Pytorch实践操作 |
1. Pytorch框架模型接口 2.如何生成指定的数据生成器 3.优化器和一些模型参数 4.保存加载模型 5.多张显卡并行训练及参数保存 案例：使用Pytorch处理影像分割任务 |
|
(七) 医学临床案例演示及实践操作 |
1.肺部疾病诊断 2.基因突变预测 3.眼底疾病智能识别 4.黑色素瘤诊断 5.肺炎类型诊断 6.预后模型简历及验证 7.器官识别 8.神经元结构的分割 9.胃肠镜高分化癌 10.器官分割 11.预警量表诊断评估 12.癌症预后分析 13.蛋白质遗传组学 14.CT影像辅助诊疗15.多模态任务模型构建 |
|
(八) 分类影像学 |
1.图像分类网络详解 1.面向精度的图像识别网络，LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet等。 2.面向速度的图像识别网络，MobileNetV1、MobileNetV2、MobileNetV3、ShuffleNetV1、ShuffleNetV2等。 2.CT数据的预处理 1.训练数据的如何进行划分，如何进行裁剪。 2.使用OpenCV对CT数据进行处理。 3.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。 3.案例上手练习 1.数据集如何使用。 2.自己的数据如何适配到给定的算法。 3.如何对模型进行迁移学习。 4.其它可能扩展的任务场景介绍，例如肝炎CT数据识别等。 案例: 乳腺癌COVID-19新冠肺炎识别。 |
|
(九) 分割影像学 |
1.图像分割网络详解 1.FCN，第一个基于全卷积的图像分割算法。 2.DeepLab V1-V3系列算法介绍。 3.UNet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 1.数据集介绍，分割算法依赖的数据包括哪几个重要的部分。 2.如何对分割数据形成对应的mask。 3.案例上手练习：基于UNet的图像分割方法 1.如何将自己的数据适配到UNet算法。 2.其他可能扩展到的分割场景。 3.如何使用已经训练的模型，对未知的数据进行预测。 案例:人脑肿瘤分割、皮肤病病灶区域分割中模型选择 |
|
(十) 影像组学人工智能论文复现 |
1.医学影像分类论文复现 2.医学影像分割论文复现 |
|
(十一) 辅助课程 |
1.疑难解答、分组讨论。 2.学后交流、微信群、QQ群建立。 3.咨询、合作，专业技术团队深入探讨。 |
六、报名联系方式：
联系人: 期老师 手机（微信同号）：15210196261
电话：010-56129268 官方咨询QQ：513692711
E_mail：cashq_ict@vip.163.com 网址： http://www.cssttcec.org.cn
工业与信息化技术培训网：http://www.itcc.ac.cn
