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。2012年，影像组学（radiomics）概念的提出，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。
       工业与信息化技术培训网特举办“医学影像组学人工智能应用案例实践培训班”。本次对前沿的影像组学及人工智能案例结合方法及应用进行了全面的讲解，帮助学员掌握影像组学临床和科研工作的开展方法和实现路径。
一、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）的集成试验平台，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。
二、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，一键运行，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。
三、时间地点: 《远程在线培训班和线下现场培训两种授课方式任选其一》
         2021年09月23日—2021年09月26日    远程在线授课
         2021年09月23日—2021年09月26日   北京*机房上课
                 (第一天全天报到，授课三天，机房上课)
四、医学影像案例深度学习算法实战结合：
一、结构化数据
《乳腺癌数据分析及自动诊断》数据为例，进行结构化数据的介绍。其数据的典型特点为：     
1. 结构化数据的处理方法。
    1.如何快速读取结构化数据。
    2.使用pandas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。
   1.基于scikit-learn中的算法，例如LR、SVM、RF、GBDT等常见的监督算法。
   2.基于XGBoost的建模方法。tree_method、max_depth等重要参数的介绍。
   3.基于LightGBM的建模方法。eta、objective等重要参数介绍。
3. 案例上手练习：基于DNN的深度学习建模方法。
   1.DNN模型在Tensorflow的搭建。tensorflow中的一些主要API的参数以及用法介绍。
   2.Tensorflow训练DNN基本流程。model、train、loss function等相关技术的串联。
       3.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。
   4. 案例上手练习：基于LightGBM的机器学习建模方法。
二、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
    1.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。
    2.【专有名词】字典如何输入到jieba中，使特定的单词不被分割。
    3.去掉停用词等，保留文本的主要信息。
2. 数据的编码方式
    1.将文字信息，转化成一个向量表示。Embedding的技术。
    2.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。
    1.RNN网络如何使用Tensorflow进行搭建。
    2.将编码好的文字信息输入到RNN当中，并且训练对应的模型。
        3.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。
三、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。
     1.面向精度的图像识别网络，LeNet、AlexNet、VGG、Inception、ResNet等。
     2.面试速度的图像识别网络，MobileNetV1、MobileNetV2、ShuffleNet等。
2. CT数据的预处理。
     1.训练数据的如何进行划分，如何进行裁剪。
     2.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。
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。
     1.数据集如何使用。
     2.自己的数据如何适配到给定的算法。
         3.其它可能扩展的任务场景介绍，例如肝炎CT数据识别等。
四、医学影像数据--分割任务
   《人脑肿瘤分割》以及《皮肤疾病病灶区域分割》为例，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。
     1.FCN，第一个基于全卷积的图像分割算法。
     2.DeepLab V1-V3系列算法介绍。
     3.UNet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。
     1.数据集介绍，分割算法依赖的数据包括那几个重要的部分。
     2.如何对分割数据形成对应的mask。
3. 案例上手联系：基于UNet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。
     1.如何将自己的数据适配到UNet算法。
     2.其他可能扩展到的分割场景。
         3.如何使用已经训练的模型，对未知的数据进行预测。
五、课程讲解：

一、人工智能与影像组学综述	1.影像组学核心思想剖析、分析流程介绍 2.影像组学影像组学数据分析、模型建立及实现 3.影像组学经典可视化内容描绘方法 4.人工智能在医学影像组学的发展及趋势
二、影像组学SCI论文、专利、基金申请写作思路重要内容	1.影像组学SCI论文书写流程   2.影像组学SCI论文评价标准 3.影像组学专利申请流程       4.影像组学专利撰写要点  5.影像组学基金的撰写思路及未来发展方向和科研思路 案例：病理基因的修正案例
三、影像组学数据获取以及数据标注	1.Labelme标注软件介绍       2.影像学分类数据标注 3.影像学检测数据标注         4.影像学ROI分割数据标注  案例：标注一个脑部肿瘤病灶区域
四、人工智能实验环境配置	1.实验环境配置要求           2.实验环境配置介绍 3.深度学习开发环境搭建       4.实验室环境计算资源配置 案例：搭建并配置好人工智能实验环境
五、深度学习Python入门指导	1.0基础入门Python            2.NumPy库基础解读 3.Pandas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
六、深度学习Pytorch实践操作	1. Pytorch框架模型接口         2.如何生成指定的数据生成器 3.优化器和一些模型参数         4.保存加载模型 案例：使用Pytorch处理影像分割任务
七、实验平台集成Onekey中的影像组学案例剖析	1.影像组学中的分类问题案例介绍 2.使用Onekey平台解决新冠肺炎识别任务（What）。 a)数据集配置    b)模型训练     c)模型预测效果分析 3.影像组学中的感兴趣区域检测案例介绍 4.使用Onekey平台解决肺部CT数据中肺器官检测。 5.影像组学中不规则区域分割案例介绍 6.使用Onekey平台解决肺部CT数据中肺器官检测。
八、医学临床案例演示及实践操作	1.肺部疾病诊断    2.基因突变预测     3.眼底疾病智能识别 4.黑色素瘤诊断    5.肺炎类型诊断     6.预后模型简历及验证 7.器官识别        8.神经元结构的分割 9.胃肠镜高分化癌 10.器官分割       11.预警量表诊断评估 12.癌症预后分析 13.蛋白质遗传组学 14.CT影像辅助诊疗15.多模态任务模型构建
九、分类影像学	1.图像分类网络详解。   1.面向精度的图像识别网络，LeNet、AlexNet、VGG、Inception、ResNet等。   2.面试速度的图像识别网络，MobileNetV1、MobileNetV2、ShuffleNet等。 2.CT数据的预处理。   1.训练数据的如何进行划分，如何进行裁剪。   2.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。 3.案例上手练习   1.数据集如何使用。   2.自己的数据如何适配到给定的算法。   3.其它可能扩展的任务场景介绍，例如肝炎CT数据识别等。 案例: 乳腺癌COVID-19新冠肺炎识别。
十、分割影像学	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.DeepLab V1-V3系列算法介绍。   3.UNet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。   1.数据集介绍，分割算法依赖的数据包括那几个重要的部分。   2.如何对分割数据形成对应的mask。 3.案例上手联系：基于UNet的图像分割方法。   1.如何将自己的数据适配到UNet算法。   2.其他可能扩展到的分割场景。   3.如何使用已经训练的模型，对未知的数据进行预测。 案例:人脑肿瘤分割、皮肤病病灶区域分割中模型选择
十一、辅助课程	1.疑难解答、分组讨论； 2.学后交流、微信群、QQ群建立； 3.咨询、合作。专业技术团队深入探讨。

 六、培训费用：
       每人3900元（含培训费、证书费、资料费、GPU训练费、实验平台模型集成费）
   注：1，住宿可统一由会务组进行安排，费用自理。
         2，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
八、联系方式：
      联系人:  期涛（老师）             
      手机（微信同号）：15210196261
      电话：010-56129268                
      E_mail：cashq_ict@vip.163.com     
      官方咨询QQ：513692711
      影像组学QQ群群号： 823857372（加群备注：期涛邀请）



上一篇：医学影像组学人工智能应用案例实践培训班
下一篇：第九期医学生物信息学公共数据深度挖掘临床应用培训班