ai数据分析的应用,倒计时五天 | Brain TS

邀请函

各企事业单位、高等院校及科研院所:

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。

神外世界互联网平台举办“医学影像组学人工智能应用案例实践培训班”。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。

神外世界-中国神经外科专业互联网平台

2022年04月16日

1

培训目标

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、《人脑肿瘤分割》《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》《皮肤疾病病灶区域分割》等经典案例实践训练。

2

上课形式

经典任务案例实际操作,统一提供数据,统一提供训练代码,零基础快速掌握人工智能应用工具。培训后微信群长期答疑平台,解答学员存在的技术问题。

3

时间地点(任选其一)

2022年05月20日―2022年05月23日远程在线授课-提供回放视频

2022年05月20日―2022年05月23日北京*机房上课(疫情允许)

(第一天全天报到,授课三天,机房上课)

4

培训费用

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)

注:电脑配置要求:windows 64位系统、运行内存8G或者以上、硬盘空余10G以上。

5

颁发证书

参加相关培训并通过考试的学员,可以获得:

A类,由中国管理科学研究院职业教育研究所颁发的《医学影像组学技术工程师》(高级)专业人才技能证书,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,除A类证书外,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,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)。

6

报名方式

联系人:白志强(老师)

#课程讲解

#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。

#使用 BraTS 数据集做脑肿瘤分割

一、学习目的

1. 熟悉人工智能深度学习技术在影像组学的应用;

2. 熟悉影像数据的清洗方案;

3. 熟悉影像数据的建模流程;

4. 在上述基础上,能根据自己的数据,进行算法改进和创新;

5. 将构建并训练完成的算法,部署到服务端( Windows / Linux ) ,以辅助决策;

6. 熟悉计算机软件著作权的申请方法,能将完成的算法申请软著权。

二、背景介绍

众所周知,脑肿瘤是发病率和致死率极高的肿瘤之一,死亡率占人体肿瘤发病比例的 2.4%, 通常通过脑部多模态的磁共振成像(MRI)对患者进行检查和诊断。对于脑部 MRI 图像而言,常 用的多模态有液体衰减反转恢复序列(FLAIR)图像、T1 加权图像、T1ce 图像和 T2 加权图像 4 种,不同模态的 MRI 图像对不同肿瘤区域的成像效果不同。受不同医生实战经验、个人知识 积累以及工作时长等因素的影响,对同一图像的分析结果可能会产生较大差异。因此,设计精 细的 MRI 脑肿瘤图像分割算法具有重要意义。

三、BraTS 数据集介绍

MICCAI 是由国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society) 举办,跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的综合性学术会议,是该领域的顶级会议。

脑部肿瘤分割(brain tumor segmentation)是 MICCAI 所有比赛中历史最悠久的,每年该比赛 的参赛人数也几乎是所有比赛中最多的。

使用的数据集是BraTs2019,包含335 例训练集,125 例验证集(无分割标签),不含测试集。

BraTs2019训练集( training set) 划分为 HGG 和 LGG,分别代表:

HGG:高级别胶质瘤(WHO3~4 级)为低分化胶质瘤;这类肿瘤为恶性肿瘤,患者预后较差。

LGG:低级别胶质瘤(WHO1~2 级)为分化良好的胶质瘤;虽然这类肿瘤在生物特征上 并不属于良性肿瘤,但是患者的预后相对较好。

每个病例有四个模态(t1、t2、flair、t1ce),需要分割三个部分:whole tumor(WT), enhance tumor(ET), and tumor core(TC).

MR 图像属性信息:(240x240x155) 一个 MR 序列有 155 张图片,每张图片的大小为 240x240 。

四、构建分割模型

以经典医学分割模型UNet 为例进行肿瘤分割讲解,使用的深度学习框架是PyTorch ,编程语言是 Python 。

五、评估分割效果

由于 BraTs2019 数据没有验证集标签,因此,把训练集按照一定比例拆分为训练集和验证 集,使用拆分后的训练集进行模型训练,使用拆分后的验证集进行模型评估。

使用Dice 系数评估分割效果:

7 例患者 4 种模态 MRI 脑肿瘤图像的预测分割结果

#参加过培训的学员(部分)

真正落地的AI分析工具应该长什么样?_美林数据Tempodata ...工业人工智能创造产业价值 | 人工智能 | Siemens CNBI+AI一体化应用工具-Tempo大数据分析平台-美林数据AI赋能政府公共服务新模式--基于NLP的人工智能在市民服务 ...BI+AI、增强人员能力、数据共享安全——永洪科技再次引领 ...玩转数据分析,你必须要知道的5个流程 | DataFocus数据转视频-百度AI开放平台倒计时五天 | Brain TS-医学影像组学AI深度学习应用实战培训班TVP尖峰对话李开复&沈春华:AI未来进行式与技术的发展 ...Python疫情大数据分析之可视化分析、GIS地图及文本挖掘代码(博客前三篇)构建基于docker的基因数据分析应用生态系统.pdf人工智能在信息技术课堂教学中的应用探究——以AI双师课堂《救援呱呱》为例.pdf人工智能技术在风力发电领域的应用.pdf人工智能在变电站运维管理中的应用综述.pdf人工智能在金融领域的应用现状及未来需求分析.pdf人工智能在企业财务管理中的应用.pdf人工智能技术在国际知识管理研究领域中的应用.pdf人工智能在软件测试领域的应用与挑战.pdf中国人工智能行业研究:人工智能行业系列(二):AI芯片三大应用场景应用现状及趋势.pdf人工智能AI)是如何处理数据的?人工智能在自动控制系统中的应用.pdfAI(人工智能)技术在图书馆中的应用探讨图书馆的未来发展.pdf人工智能技术在空调负荷计算中的应用初探.pdfAI赋能智慧广电”——首届广播电视人工智能应用创新发展高峰论坛在天津召开.pdf浅析人工智能技术在工程建设领域的应用现状.pdf人工智能在煤矿安全生产中的应用对策.pdf人工智能在白内障诊疗中的应用进展.pdf数据分析及工具应用总结【精品推荐】AI人工智能+大数据+区块链+数据中台+数字孪生解决方案汇总共7份.zip人工智能在体育工程应用发展前景.pdf美国出版业人工智能应用研究.pdf人工智能检测诊断技术在汽车维修中的应用研究.pdf关于AI(人工智能)应用在家居产品设计上的研究与探索——“智慧家居”产品设计研究.pdf2021人工智能状况分析报告人工智能AI在智能交通领域中的应用数据分析人工智能框架汇总人工智能的十大应用人工智能在道路交通管理中的应用.pdf基于大数据和人工智能的用户行为分析.pdf
飞浆数据集人工智能和数据分析ai数据处理人流车流分析图ai 数据挖掘ai图像分析ai和大数据人工智能分析数据ai数据分析ai智能分析软件ai智能分析AI大数据分析技术ai 数据ai数据处理ai软件数据分析ai智能数据分析ai可以做数据分析Ai智能分析炸酱面的酱熬多久能熟技术芜湖掌上公交app官方下载最新版粘结剂的种类及图片一月出生的老虎真三国无双霸公测世界历史各国面积排名现在网络病毒还多吗钢管用什么符号表示方法围棋一共有多少个棋子血爆术用日语怎么说恐怖血腥的破案悬疑电视剧