医学图像处理与深度学习

人工智能在医学领域发展迅速，很大程度上得益于机器学习技术的进步，而机器学习也成为医学领域不断创新的新引擎。随着计算机技术的不断发展，深度学习迅速成为医学图像处理的主流研究热点。近年来医学图像的分析与处理也成为医学研究、临床疾病诊断和治疗中不可或缺的技术手段。现代医学疾病的诊断基于多种多样的信息，而深度学习的加入则提高了医疗效率和诊断准确率。应新老客户的培训需求，北京软研国际信息技术研究院特举办“机器学习深度学习医学图像处理与疾病诊断专题”线上实战培训，本次培训由互动派（北京）教育科技有限公司具体承办。

机器学习深度学习医学图像处理与疾病诊断专题

目录主要内容

第一天 上午

机器学习入门

1.1 Matlab编程基础

1.2 数据采集和预处理(分割、配准、去噪)1.3 特征提取与归一化(线性归一化、0均值标准化)1.4 特征选择方法（过滤法、封装法、嵌入法）1.5 分类和回归方法1.6 模型评估与选择1.7 可解释性

第一天 下午

机器学习疾病诊断实践过程

2.1 正常人和病人的fMRI数据集及预处理脑网络构建（特征提取）

2.2 阈值化和特征选择方法相结合获得识别特征2.3 阈值化、t-test和elastic net单独选择特征和组合选择特征2.4 支持向量机 SVM、Logistic回归、决策树定性诊断2.5 支持向量回归SVR、Elastic net预测疾病严重性2.6 比较实验结果并输出ROC曲线和性能图2.7 置换检验验证结果的可信度2.8 有识别力的连接特征与可视化

第二天 上/下午

经典案例实战操作

(1)

功能磁共振影像（fMRI）神经精神疾病定性诊断与预测(2)基于结构磁共振影像（MRI）的神经精神疾病定性诊断与预测(3)基于多模态磁共振影像的疾病诊断(4)基于域适应的多中心磁共振影像数据预测疾病

第三天 上午

深度学习入门

3.1神经网络

3.2 Python编程基础3.3前馈神经网络3.4 深度学习与神经网络、传统机器学习的区别3.5 深度模型的构造3.6 梯度消失与解决梯度消失3.7 深度的用途3.8 典型深度学习模型3.9 深度学习开源平台3.10 深度学习的优势（特征表示）3.11卷积神经网络（CNN）1)CNN发展历史及核心思想：局部感知、权值共享2)CNN计算：卷积计算、多卷积核、池化、全连接层、网络训练3)LeNet-5详细介绍4)CNN主要架构3.12 循环神经网络（RNN）1)基本RNN网络2)长短时记忆网络及GRU：原理、训练算法、学习过程及应用3)双向LSTM及双向GRU处理时序数据4)时间、空间注意力和自我注意力

第三天 下午

图像病变检测热点案例实战操作

4 深度学习环境配置（TensoFlow）

4.1 算法总框架4.2 数据集介绍4.3 数据预处理（ROI提取、调整图像分辨率、归一化、数据扩增）4.4 深度学习网络核心模块介绍4.5 损失函数设计4.6 环境配置4.7 训练技巧（学习率选取、Epoch设置、特征归一化、Dropout和Earlystop、损失函数曲线）4.8 实验结果及分析

实例操作：

基于深度学习的X光胸片病变检测定位及诊断（以两个最新模型为例）

第四天 上午

图像分割热点案例实战操作

(1)

基于深度学习的新冠肺炎CT病变分割及诊断（InfNet和CopleNet）(2)基于深度学习脑胶质瘤多模态MRI图像分割及诊断（Transformer）

第四天 下午

图像分类热点案例实战操作

(3) 基于双向LSTM提取fMRI动态功能连接特征预测神经精神疾病

(4)基于图卷积神经网络(Graph CNN)的神经精神疾病预测(5)基于Inceptionv3的糖尿病视网膜病变图像分类

答疑建立班级微信群，长期指导关于自己关心的医学影像处理方案和策略