人工智能在醫(yī)學(xué)領(lǐng)域發(fā)展迅速，很大程度上得益于機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步，而機(jī)器學(xué)習(xí)也成為醫(yī)學(xué)領(lǐng)域不斷創(chuàng)新的新引擎。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)迅速成為醫(yī)學(xué)圖像處理的主流研究熱點(diǎn)。近年來醫(yī)學(xué)圖像的分析與處理也成為醫(yī)學(xué)研究、臨床疾病診斷和治療中不可或缺的技術(shù)手段?，F(xiàn)代醫(yī)學(xué)疾病的診斷基于多種多樣的信息，而深度學(xué)習(xí)的加入則提高了醫(yī)療效率和診斷準(zhǔn)確率。應(yīng)新老客戶的培訓(xùn)需求，北京軟研國(guó)際信息技術(shù)研究院特舉辦“機(jī)器學(xué)習(xí)深度學(xué)習(xí)醫(yī)學(xué)圖像處理與疾病診斷專題”線上實(shí)戰(zhàn)培訓(xùn)，本次培訓(xùn)由互動(dòng)派（北京）教育科技有限公司具體承辦。
機(jī)器學(xué)習(xí)深度學(xué)習(xí)醫(yī)學(xué)圖像處理與疾病診斷專題
目錄主要內(nèi)容
第一天 上午
機(jī)器學(xué)習(xí)入門
1.1 Matlab編程基礎(chǔ)
1.2 數(shù)據(jù)采集和預(yù)處理(分割、配準(zhǔn)、去噪)1.3 特征提取與歸一化(線性歸一化、0均值標(biāo)準(zhǔn)化)1.4 特征選擇方法（過濾法、封裝法、嵌入法）1.5 分類和回歸方法1.6 模型評(píng)估與選擇1.7 可解釋性
第一天 下午
機(jī)器學(xué)習(xí)疾病診斷實(shí)踐過程
2.1 正常人和病人的fMRI數(shù)據(jù)集及預(yù)處理腦網(wǎng)絡(luò)構(gòu)建（特征提?。?/p>
2.2 閾值化和特征選擇方法相結(jié)合獲得識(shí)別特征2.3 閾值化、t-test和elastic net單獨(dú)選擇特征和組合選擇特征2.4 支持向量機(jī) SVM、Logistic回歸、決策樹定性診斷2.5 支持向量回歸SVR、Elastic net預(yù)測(cè)疾病嚴(yán)重性2.6 比較實(shí)驗(yàn)結(jié)果并輸出ROC曲線和性能圖2.7 置換檢驗(yàn)驗(yàn)證結(jié)果的可信度2.8 有識(shí)別力的連接特征與可視化
第二天 上/下午
經(jīng)典案例實(shí)戰(zhàn)操作
(1)
功能磁共振影像（fMRI）神經(jīng)精神疾病定性診斷與預(yù)測(cè)(2)基于結(jié)構(gòu)磁共振影像（MRI）的神經(jīng)精神疾病定性診斷與預(yù)測(cè)(3)基于多模態(tài)磁共振影像的疾病診斷(4)基于域適應(yīng)的多中心磁共振影像數(shù)據(jù)預(yù)測(cè)疾病
第三天 上午
深度學(xué)習(xí)入門
3.2 Python編程基礎(chǔ)3.3前饋神經(jīng)網(wǎng)絡(luò)3.4 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別3.5 深度模型的構(gòu)造3.6 梯度消失與解決梯度消失3.7 深度的用途3.8 典型深度學(xué)習(xí)模型3.9 深度學(xué)習(xí)開源平臺(tái)3.10 深度學(xué)習(xí)的優(yōu)勢(shì)（特征表示）3.11卷積神經(jīng)網(wǎng)絡(luò)（CNN）1)CNN發(fā)展歷史及核心思想：局部感知、權(quán)值共享2)CNN計(jì)算：卷積計(jì)算、多卷積核、池化、全連接層、網(wǎng)絡(luò)訓(xùn)練3)LeNet-5詳細(xì)介紹4)CNN主要架構(gòu)3.12 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）1)基本RNN網(wǎng)絡(luò)2)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)及GRU：原理、訓(xùn)練算法、學(xué)習(xí)過程及應(yīng)用3)雙向LSTM及雙向GRU處理時(shí)序數(shù)據(jù)4)時(shí)間、空間注意力和自我注意力
第三天 下午
圖像病變檢測(cè)熱點(diǎn)案例實(shí)戰(zhàn)操作
4 深度學(xué)習(xí)環(huán)境配置（TensoFlow）
4.1 算法總框架4.2 數(shù)據(jù)集介紹4.3 數(shù)據(jù)預(yù)處理（ROI提取、調(diào)整圖像分辨率、歸一化、數(shù)據(jù)擴(kuò)增）4.4 深度學(xué)習(xí)網(wǎng)絡(luò)核心模塊介紹4.5 損失函數(shù)設(shè)計(jì)4.6 環(huán)境配置4.7 訓(xùn)練技巧（學(xué)習(xí)率選取、Epoch設(shè)置、特征歸一化、Dropout和Earlystop、損失函數(shù)曲線）4.8 實(shí)驗(yàn)結(jié)果及分析
實(shí)例操作：
基于深度學(xué)習(xí)的X光胸片病變檢測(cè)定位及診斷（以兩個(gè)最新模型為例）
第四天 上午
圖像分割熱點(diǎn)案例實(shí)戰(zhàn)操作
(1)
基于深度學(xué)習(xí)的新冠肺炎CT病變分割及診斷（InfNet和CopleNet）(2)基于深度學(xué)習(xí)腦膠質(zhì)瘤多模態(tài)MRI圖像分割及診斷（Transformer）
第四天 下午
圖像分類熱點(diǎn)案例實(shí)戰(zhàn)操作
(3) 基于雙向LSTM提取fMRI動(dòng)態(tài)功能連接特征預(yù)測(cè)神經(jīng)精神疾病
(4)基于圖卷積神經(jīng)網(wǎng)絡(luò)(Graph CNN)的神經(jīng)精神疾病預(yù)測(cè)(5)基于Inceptionv3的糖尿病視網(wǎng)膜病變圖像分類
答疑建立班級(jí)微信群，長(zhǎng)期指導(dǎo)關(guān)于自己關(guān)心的醫(yī)學(xué)影像處理方案和策略
