人工智能+医学影像

Posted 2021-09-07 渔牧村风

近些年来，AI研究开展的热火朝天，各个器官疾病的诊断模型都有不同程度的尝试与研究，基于AI的影像组学应用已经覆盖病灶检测、病理诊断、放疗规划和术后预测等临床阶段，影像组学的分析流程主要由获取影像图像数据、图像分割、特征筛选与降维、构建模型进行预测几大步骤构成，影像组学作为医工交叉的产物，其应用先进的计算机方法解决临床具体问题，具有智能诊断、智能评估、智能预测等广阔的应用前景。 “人工智能+医学影像”，是将目前最先进的人工智能技术应用于医学影像诊断中，帮助医生诊断患者病情的人工智能具体应用场景。在临床上，可以给医院、医生提供很重要的支撑,随着人工智能和医学影像大数据在医学影像领域的普及和应用，医学影像所面临的诊断准确性和医生缺口等问题便可迎刃而解，两者的融合将成为医学影像发展的重要方向,由于其研究涉及医工交叉学科，需要医学和工科紧密合作，而绝大部分医学生或医生并无工科背景。

部分学习方法（紧跟本人科研相关）总结

掌握影像组学研究过程与方法，掌握AI影像组学SCI论文阅读写作思路，常用影像组学建模方法及未来发展方向和科研思路。

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。

《眼底血管》《肝脏肿瘤》《非小细胞癌》《COVID-19-ct-scans左右肺新冠肺炎》《肺结核》《MSD脑瘤》等经典案例实践训练。

各高校、医院、企业、事业单位等从事医学、生命科学、药学、医学信息、人工智能、机器学习、深度学习、大数据的科研人员都有做人工智能与医学影像工作，现在国内人工智能医学影像与生命科学是国家大力发展的学科之一，拥有无限的潜力.

第一天 一、 1、影像组学综述2、python基础3、深度学习基础4、基于AI的影像组学论文阅读与写作5、Github简介6、影像组学数据标注7、pytorch神经网络分类案例8、pytorch神经网络2D图像分割案例9、pytorch神经网络3D图像分割案例
第一天 二、影像组学综述 1、影像组学应用背景和研究进展2、影像组学核心思想和分析流程3、影像组学数据分析和模型建立4、影像组学可视化模型预测与评价指标 ROC曲线PR曲线5、人工智能在医学影像组学的发展及趋势 深度学习
第一天 三、python基础 1、环境搭建与基础语法了解Python的整体发展Python环境安装Python基础语法实战：Python第一个脚本2、数据结构 数据类型3、流程控制与函数 实战：Python第一个函数4、面向对象面向对象 类 继承实战：定义Python第一个类5、错误与异常错误 异常 异常处理6、库与包标准库 虚拟环境
第二天 深度学习基础 1、神经网络简介神经网络历史与发展pytorch numpy安装2、数据基础张量基础 基础运算 变量基础 梯度下降3、线性神经网络回归 单层线性神经网络（全连接层） 分类 其它实战用pytorch搭建单层神经网络4、多层感知机多层感知机 其它实战用pytorch搭建MLP5、CNN卷积基础 搭建CNN实战用pytorch搭建CNN
第二天 二、基于AI的影像组学论文阅读与写作 1、论文阅读Background Motivation Method Experiments Conclusion Limitation2、论文写作
第二天 三、Github简介 1、Github介绍2、Git工具 Git命令 代码仓库3、Gitee介绍
第二天四、影像组学数据数据标注 1、标注软件Pair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
第三天一、pytorch神经网络分类案例 1、医学分类数据集介绍 2、AlexNet 3、VGGNet 4、GoogleNet 5、ResNet6、DenseNet 7、MobileNet 8、NasNet 9、ResNext使用COVID-CT(新冠)、NIHChest Xray(14种肺部疾病)、Shenzhen Hospital X-ray Set(肺结核)、Montgomery County X-ray Set(肺结核)、RSNA(肺炎)、CT Images in COVID-19(新冠)、Figure1-COVID-chestxray-dataset(新冠)、Ieee8023(新冠)等分类数据集训练网络
第三天二、pytorch神经网络2D图像分割案例 1、医学2D分割数据集介绍 2、FCN 3、SegNet 4、Unet 5、Unet++ 6、PSPNet 7、Deeplab 8、MiniSeg使用CHASE_DB1(眼底血管)、DRIVE(眼底血管/眼球)、Data Science Bowl 18(细胞核)、STARE(眼底血管)、CVC-ClinicDB(息肉)等2D分割数据集训练网格
第四天一、pytorch神经网络3D图像分割案例 1、医学3D分割数据集介绍 2、FCN3d 3、Vnet 4、Unet3d 5、Residual-Unet3d 6、DenseVoxelNet3d 7、3d HighResNet 8、Densenet3d使用Lits(肝脏/肝脏肿瘤)、Sliver07(肝脏)、3Dircadb(肝脏/肝脏肿瘤)、CHAOS(肝/肾/脾)、MSD(肝脏/肺脏/脑瘤/海马体)、NSCLC-Radiomics(非小细胞癌)、covid19-ct-scans(左右肺/新冠感染)等3D分割数据集训练网络
第四天传染病数据数据集图像示例 数据集图像示例：分类数据集：COVID-CT(新冠) NIHChest Xray(14种肺部疾病) Shenzhen Hospital X-ray Set(肺结核) Montgomery County X-ray Set(肺结核)RSNA(肺炎) CT Images in COVID-19(新冠) Figure1-COVID-chestxray-dataset(新冠) Ieee8023(新冠)2D分割数据集：CHASE_DB1(眼底血管) CVC-ClinicDB(息肉) DRIVE(眼底血管) Data Science Bowl 18(细胞核)3D分割数据集：Lits(肝脏/肝脏肿瘤) Sliver07(肝脏) 3Dircadb(肝脏/肝脏肿瘤)CHAOS(肝/肾/脾) MSD(肝脏) MSD(肺脏) MSD(脑瘤) MSD(海马体) NSCLC-Radiomics(非小细胞癌) covid19-ct-scans(左右肺/新冠感染)
部分数据集图像示例