北京经开职业技能鉴定中心 社科教育培训中心职业教育委员会
第二十二期医学影像组学AI深度学习应用 实践培训班
日期:2024-06-28

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:  

          20240712—20240715    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pandasscipy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KNNLRDTSVMRFGBDT等常见的监督算法。

B.        基于XGBoost的建模方法。tree_methodmax_depth等重要参数的介绍。

C.        基于LightGBM的建模方法。etaobjective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。modeltrainloss 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wordnetword2vec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,LeNetAlexNetVGGGoogLeNetResNetDenseNet等。

B.        面向速度的图像识别网络,MobileNetV1MobileNetV2MobileNetV3ShuffleNetV1ShuffleNetV2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OpenCVCT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,LeNetAlexNetVGGGoogLeNetResNetDenseNet等。

  2.面向速度的图像识别网络,MobileNetV1MobileNetV2MobileNetV3ShuffleNetV1ShuffleNetV2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OpenCVCT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QQ513692711

E_mailcashq_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