时间地点:
年09月2 3日—年09月2 6日远程在线授课
(第一天全天报到,授课三天,线上上课)
医学实验平台
路径:任务→案例指向→问题分类→模型匹配→对比实验→效果测试→半开放式开发→升级、迁移
一、结构化数据
以《乳腺癌数据分析及自动诊断》数据为例,进行结构化数据的介绍。
1.结构化数据的处理方法。
1.如何快速读取结构化数据。
2.使用pandas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。
1.基于scikit-learn中的算法,例如LR、SVM、RF、GBDT等常见的监督算法。
2.基于XGBoost的建模方法。tree_method、max_depth等重要参数的介绍。
3.基于LightGBM的建模方法。eta、objective等重要参数介绍。
3.案例上手练习:基于LightGBM的机器学习建模方法。
二、医院影像数据--分类任务
以《乳腺癌识别》以及《COVID-19 新冠肺炎识别》为例,介绍何如从 CT 扫描数据中识别指定疾病。
1.图像分类网络详解。
1.面向精度的图像识别网络,LeNet、AlexNet、VGG、Inception、ResNet等。
2.面试速度的图像识别网络,MobileNetV1、MobileNetV2、ShuffleNet等。
1.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.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。
2.案例上手练习:基于CNN的图像分类方法,乳腺癌识别或者COVID-19新冠肺炎识别二选一。
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.其它可能扩展的任务场景介绍,例如肝炎CT数据识别等。
三、医学影像数据--分割任务
以《人脑肿瘤分割》以及《皮肤疾病病灶区域分割》为例,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。
1.FCN,第一个基于全卷积的图像分割算法。
2.DeepLabV1-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那几个重要的部分。
2.如何对分割数据形成对应的mask。
3.案例上手联系:基于UNet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。
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。
四、课程讲解
查看详细介绍请访问:医学影像组学人工智能应用/detail/191.html/detail/191.html