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。

中国管理科学研究院职业教育研究所http://www.camec.org.cn 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、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: 《远程在线培训班和线下现场培训两种授课方式任选其一》

          2022年03月4日—2022年03月7日    远程在线授课

          2022年03月4日—2022年03月7日    北京*机房上课

             (第一天全天报到,授课三天,机房上课)

后续课程接受预报名

                                                 中国管理科学研究院职业教育研究所

                                                          

四、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:

%title插图%num
%title插图%num
  • 结构化数据的处理方法
  • 结构化数据各种文件格式和编码格式的读取和保存。
  • 如何对结构化数据进行特征重要性分析。
  • 使用pandas和scipy对数据快速进行统计学分析。
  • 传统机器学习算法对问题进行建模
  • 基于scikit-learn中的算法,例如KNN、LR、DT、SVM、RF、GBDT等常见的监督算法。
  • 基于XGBoost的建模方法。tree_method、max_depth等重要参数的介绍。
  • 基于LightGBM的建模方法。eta、objective等重要参数介绍。
  • 对结果进行分析,画出ROC曲线、P-R曲线、混淆矩阵等。
  • 案例上手练习:基于DNN的深度学习建模方法
  • 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。
  • Pytorch训练DNN基本流程。model、train、loss function等相关技术的串联。
  • 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。
  • 案例上手练习:基于XGBoost的机器学习建模方法。
%title插图%num
%title插图%num

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。

%title插图%num
  • 数据的预处理方法
  • 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。
  • 【专有名词】字典如何输入到jieba中,使特定的单词不被分割。
  • 去掉停用词等,保留文本的主要信息。
  • 数据的编码方式
  • 将文字信息,转化成一个向量表示。Embedding的技术。
  • 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。
  • 案例上手练习:基于RNN的深度学习建模方法。
  • RNN网络如何使用Pytorch进行搭建。
  • 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。

%title插图%num
  • 图像分类网络详解
  • 面向精度的图像识别网络,LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet等。
  • 面向速度的图像识别网络,MobileNetV1、MobileNetV2、MobileNetV3、ShuffleNetV1、ShuffleNetV2等。
  • CT数据和模型预处理
  • 训练数据的如何进行划分,如何进行裁剪。
  • 使用OpenCV对CT数据进行处理。
  • 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。
  • 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。
  • 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。

  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。

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。

%title插图%num
%title插图%num
%title插图%num
  • 图像分割网络详解。
  • FCN,第一个基于全卷积的图像分割算法。
  • DeepLab V1-V3系列算法介绍。
  • 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。
  • 数据的预处理。
  • 数据集介绍,分割算法依赖的数据包括哪几个重要的部分。
  • 如何对分割数据形成对应的mask。
  • 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。

  1. 如何将自己的数据适配到U-Net或者U2-Net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。

五、课程讲解

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
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
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
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
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
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
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
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。
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
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
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。

、培训费用:

   A,每人3900元(含培训费、证书费、资料费、GPU训练费、课后技术咨询费)

    B,每人4580元(含培训费、证书费、资料费、GPU训练费、课后技术咨询费)

    注:1,住宿可统一由会务组进行安排,费用自理。

       2,电脑配置要求:windows 64位系统、运行内存8G或者以上、硬盘空余10G以上

七、颁发证书:参加相关培训并通过考试的学员,可以获得:

A类,中国管理科学研究院职业资格认证培训中心颁发的《医学影像组学技术工程师》(高级)专业技能资格证书,官方网站查询,该证书可作为有关单位专业技术人员能力评价、考核和任职的重要依据。

B类,工业和信息化部全国网络与信息技术考试管理中心颁发的《人工智能算法工程师》职业技能证书职业技能证书官方网站官方网站查询或扫描证书上方的二维码查询证书直接纳入专业人才数据库,该证书可作为企事业单位选拔和聘用专业人才的依据。(加上A类共两本证书)。

    注:请学员带两寸彩照两张(背面注明姓名)、身份证复印件和学历证明复印件各两张。

八、联系方式:

联系人:  曹玉福             手机(微信同号):18704686151

 微信公众平台和微信群,有大量干货和主讲老师答疑!!!

十、参加过培训的学员单位及研究方向:(部分)

单位及高校
华东医院华中科技大学同济医学院附属同济医院
上海市第一人民医院中山大学
陆军军医大学第一附属医院清华长庚医院
河北大学附属医院苏州大学附属第一医院
承德医学院附属医院广西壮族自治区妇幼保健院
桂林航天工业学院中国医学科学研究院
上海市第六人民医院华北医疗邢台总医院
承德医学院附属医院中国人民解放军东部战区总医院
北京大学人民医院上海交通大学医学院附属仁济医院
珠海市人民医院广东省人民医院
中国人民解放军陆军特色医学中心中国医科大学
上海精功齿科技术有限公司中山大学孙逸仙纪念医院
贵港市人民医院复旦大学附属肿瘤医院
嘉思特华剑医疗器材(天津)有限公司清远市人民医院
北京大学第三医院厦门大学附属翔安医院
中南大学湘雅医院湖南省肿瘤医院
山东中医药大学附属医院北京非凡禾禾医疗器械有限公司
昆明医科大学第一附属医院天津市肿瘤医院
新疆澳博瑞盛三帝智能科技有限公司贵州医科大学
中国人民解放军总医院武汉大学
重庆大学附属肿瘤医院首都医科大学附属北京天坛医院
大连交通大学蚌埠医学院第一附属医院
上海交通大学医学院附属第九人民医院复旦大学
华中科技大学协和深圳医院上海中医药大学附属龙华医院
宽腾(北京)医疗器械有限公司四川大学华西医院
中国医科大学附属第一医院中国人民解放军空军军医大学第三附属医院
成都十一只猴科技有限公司中国人民解放军总医院
中山大学附属第八医院(深圳福田)浙江中医药大学
广东恒瑞医药有限公司中国科学院深圳先进技术研究院
中山大学附属第一医院解放军总医院
重庆市人民医院上海市浦东医院
重庆医科大学附属永川医院上海市第六人民医院
首都医科大学附属北京胸科医院承德医学院附属医院
青海大学附属医院韩山师范学院
青海大学附属医院皖南医学院
深圳市妇幼保健院无锡市惠山区人民医院
中国人民解放军陆军军医大学第二附属医院集美大学诚毅学院
广州医科大学中山大学肿瘤防治中心
上海市同济医院天津市海河医院
福建省立医院西安石油大学
广州和硕信息技术有限公司陕西中医药大学
山西省肿瘤医院首都医科大学附属北京友谊医院
山东大学重庆邮电大学

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注