医学影像组学人工智能算法构建培训班

各企事业单位、高等院校及科研院所：

在影像组学与人工智能（特别是视觉技术）高度融合的过程中

中国管理科学研究院职业资格认证培训中心

人工智能算法体系构建与培养课程

一、培训目标：

1、给工具，即插即用式平台，顶刊论文快速复现，科研任务算法快速攻坚

****2、****给流程，从任务、流程、构建、训练、结果呈现，一站式避坑

****3、****给结果 ，选取优质论文，利用平台快速复现，构建方法一目了然。

4、给福利，公开课后的实验课，场景模块课，训练课，单独指导全部免费

二、时间地点:

2021年10月2 2日******—2021年10月2 5日**远程在线授课

(第一天安装平台以及发送课件****，线上授课)****

医学实验平台****（赠送）****

路径： 任务分类→数据处理→模型调用→训练优化→结果呈现→模型迁移

|任务适配：|

1. 2D影像分类涵盖病灶识别和疾病类型的判定。
2. 2D影像分割主要用于进行病灶区域的分割。
3. 基于2D技术实现感兴趣区域的定位。

||

1. 3D器官组织识别
2. 3D影像疾病诊断

多样化数据全适用：	1.结构化数据 2.CT数据 3.超声数据 4.MRI数据	5.X-Ray数据 6.时间序列数据 7.2D、3D医学影像数据
一站式平台：	1.数据标注 2.数据预处理 3.数据适配	4.模型调用 5.结果输出 6.模型结构

Sci论文算法快速复现，解构模型****

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. 系统阐述了DeepLab系列V1至V3算法的发展历程。

3. UNet及其衍生算法在医学影像分割领域展现出显著的应用价值。
   2.1 数据集构成主要包含以下几个关键组成部分。
   2.2 如何构建与分割区域相对应的mask标签。
   2.3 案例实践：采用UNet架构进行图像分割操作，在实际案例中可以选择其一：一是对人脑肿瘤进行精确分割；二是专注于皮肤疾病病灶区域的识别与定位。
   2.4 针对不同应用场景，需将输入数据按照特定格式进行预处理。
   2.5 其他潜在的应用场景包括但不限于器官功能评估、组织病理学分析等领域的图像分割任务。
   2.6 在模型部署阶段，则需完成以下步骤：首先是输入数据标准化；其次是特征提取；最后是结果解析与可视化输出。

三**、课程******

|一、影像组学********任务类型划分|

1. What ，是什么。影像组学中的分类问题案例介绍
2. 使用平台解决新冠肺炎识别任务（What）。
   1. 数据集配置
   2. 模型训练
   3. 模型预测效果分析
3. Where ，在哪里，影像组学中的感兴趣区域检测案例介绍
4. 使用平台解决肺部CT数据中肺器官检测。
5. Which ，哪个是，影像组学中不规则区域分割案例介绍
6. 案例：平台解决肺部CT数据中肺器官检测。

二、数据标注

1. 提供图像分类任务的系统性方法
2. 基于Labelme的数据标注
3. 支持标注数据的自动转化配置
4. 无需复杂操作即可完成训练任务

||

1. 影像学领域中广泛采用的检测系统
2. 在影像分析中应用广泛的分割识别技术
3. 基于ITK-SNAP开发的三维标注工具

2.基因突变预测	8. 预警量表诊断评估
3.疾病智能识别	9. 癌症预后分析
4疾病类型判别	10.遗传组学分析
5. 预后模型简历及验证	11. CT影像辅助诊疗
6. 神经元结构的分割	12. 多模态任务模型构建
四、算法模型调优

1. 模型训练中基本概念
   1. 学习率
   2. 损失函数等
   3. 过拟合问题
   4. 初始化函数

||

1. 转移学习
2. 如何实现转移学习
3. 模型参数如何实现转移
4. 如何在数据集上进行超参优化以及如何实现转移学习

|五****、分类影像学****|

1. 医学影像分类网络的详细解析。
2. 基于精度的图像识别网络是深度学习领域的核心研究方向之一。目前主流的研究框架包括LeNet、AlexNet、VGG、Inception和ResNet系列模型等。
3. 高效图像识别网络主要包含移动版系列模型（MobileNetV1/V2）以及ShuffleNet架构设计等。
4. CT数据分析流程包含两个关键环节：一是训练数据划分与裁剪的具体方法；二是对训练过程中的切片进行实时预处理处理技术。
5. 在模型训练过程中需要采用实时的数据增强技术以提高模型泛化能力。
6. 案例实践指导中包含三个主要环节：一是指导用户完成数据集的操作流程；二是帮助用户将自身业务场景的数据与现有算法框架进行有机融合；三是拓展应用场景分析并提出可能的应用研究方向。

案例:实现一个新的模型并添加入平台
六****、分割影像学****

1. 对图像分割网络的技术细节进行深入解析。
2. FCN被视为首个将全卷积神经网络应用于图像分割的成功案例。
3. 随后由Dong et al.提出的DeepLab系列算法逐步优化了这一技术路线。
4. 其在医学影像数据分割领域展现出显著的应用价值。
5. 数据的预处理。
6. 数据集介绍中需明确说明主要包含以下几个关键要素：输入图像、标签信息以及必要的预处理参数等。
7. 如何构建与分割区域相对应的掩膜标注以实现精准划分目标区域。
8. 案例上手联系：基于UNet的图像分割方法。
9. 如何将自身数据集转化为UNet模型所需输入格式以实现特征提取与语义划分目标。
10. 可能扩展至哪些其他类型的图像分割问题？例如医学成像中的肿瘤边界识别或其他复杂场景等。
11. 对于未知测试样本的数据进行预测的具体步骤是什么？包括特征提取、语义分类以及最终结果叠加等环节的具体实现方案。

七****、影像组学SCI论文、专利、基****	1. 影像组学论文模型的复现	4.	影像组学专利撰写要点
金申请********算法解构	2. 影像组学SCI模型创新思路	5.	影像组学项目的模型设计
3. 影像组学算模型构建，解析
案例：病理基因的修正案例
八****、数据处理Python入门指导****	1. Python功能解读	3.	Pandas库基础解读
2. NumPy库基础解读	4.	图像预处理方法介绍
案例：使用python处理dicom类型CT数据
九****、Pytorch入门****	1. 中用到的Pytorch接口	3.	优化器和一些模型参数
2. 如何生成指定的数据生成器	4.	保存加载模型

四****、培训费用：****

每人4300元（含培训费、证书费、资料费、实验平台模型集成费）

五****、颁发证书：**** 参加相关培训并通过考试的学员，可以获得：

中国管理科学研究院职业资格认证培训机构颁布的《影像组学技术工程师》（高级）专业技能资格证书可通过官方网站查询获取；该证书可用于有关单位对专业技术人员能力评价、考核及任职的重要参考依据。

******注：请学员准备好两张一寸照片（背面标注姓名信息），并提交身份证复印件、学历证明复印件以及相关身份证明材料各一份。

六****、联系方式：****

个人联系方式：李雪（电话号码/微信号码）。电话号码为15188687682。网站链接为http://www.cnzgrz.org.cn