(第一天全天报到，授课三天，机房上课)
三、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。
 四、课程体系：

一、人工智能与影像组学综述	1.影像组学应用方向和进展研究 2.影像组学核心思想剖析、分析流程介绍 3.影像组学影像组学数据分析、模型建立及实现 4.影像组学经典可视化内容描绘方法 5.影像组学所需要的数学与统计学基础 6.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.影像组学临床预测模型比较 6.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：标注一个脑部肿瘤病灶区域
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 5.常见开源数据集介绍 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、数据处理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、影像组学抽象建模	1.结构化数据建模方式。 2.图像数据建模方式。 3.时序信号建模方式。
七、上手一个具体的影像组学案例	1.模型训练中基本概念    1.学习率    2.损失函数等 案例：癌症生存概率分析
八、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: COVID-19新冠肺炎识别
九、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
十、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

五、医学影像案例实战结合：
一、结构化数据
《癌症的生存率预测》，结构化数据介绍
  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。
 二、自然语言数据
《鼻窦炎预后效果分析》，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、医院影像数据--分类任务
以《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新冠肺炎识别二选一。
     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
以《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。
六、培训费用：
 A类，每人3900元（含培训费、证书费、资料费、GPU训练）
 B类，每人4580元（含培训费、证书费、资料费、GPU训练）
   注：住宿可统一由会务组进行安排，费用自理。
七、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资格认证培训中心颁发的《影像组学技术工程师》（高级）专业技能资格证书，官方网站查询，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，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，官方网站查询，可通过官方网站查询或扫描证书上方的二维码查询，该证书直接纳入专业人才数据库。可作为专业技术人员继续教育证明。（加上A类共两本证书）。
    注：请学员带两寸彩照两张（背面注明姓名）、身份证复印件和学历证明复印件各两张。
 八、联系方式：
联系人:  期涛（老师）             
手机（微信同号）：15210196261
电话：010-56129268                
网址：http://www.cnzgrz.org.cn
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：深度强化学习核心技术实战培训班
下一篇：医学三维图像(Mimics)及生物力学(ANSYS)建模仿真技术培训班