影像组学与人工智能医学影像

Posted 2021-09-15 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。所以培训学习也是迫在眉睫，应广大科研人员要求，郑州卓昂教育科技有限公司联合人工智能专家共同举办“影像组学与人工智能医学影像”专题线上培训班 ，由于疫情不稳定特此举办线上培训，详细培训信息请看下方内容
详细内容请查阅公众号文章链接：
影响组学与人工智能医学影像
培训平台：腾讯会议

2021.09.19-----2021.09.20 （线上直播）

2021.09.21----2021.09.25 （线上直播）

课程内容：

一、课程综述

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

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

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

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MLP

5、CNN

卷积基础 搭建CNN

实战用pytorch搭建CNN

四、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 Limitation

2、论文写作

五、Github简介

1、Github介绍

2、Git工具 Git命令 代码仓库

3、Gitee介绍

六、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

七、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

八、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

九、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

案例数据集图像示例：

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)