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。

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。

学习目标：

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。

2.上课时间：2024年12月20日—2024年12月23日 远程在线授课
（第一天数据及操作软件调试，共授课三天）

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：

(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pandas和scipy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KNN、LR、DT、SVM、RF、GBDT等常见的监督算法。

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

C.基于LightGBM的建模方法。eta、objective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。model、train、loss 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wordnet、word2vec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，LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet等。B.面向速度的图像识别网络，MobileNetV1、MobileNetV2、MobileNetV3、ShuffleNetV1、ShuffleNetV2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OpenCV对CT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。

课程讲解

注册费用

A类，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类，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）

颁发证书

A类，由中国社科教育培训中心颁发的《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，由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。

会务组联系方式：
唐老师17269437589（微信同号）邮箱：17269437589@163.com

会议注册方法：

【点击在线报名】