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。

      华信医学科研服务平台 联合举办“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。

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、《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。

上课时间

2023年07月28日—2023年07月31日

远程在线授课 (第一天全天报到，授课三天)

课程讲解

      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。

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）

颁发证书

      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《数字医学工程师》（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《人工智能工程师》职业技能证书，职业技能证书，官方网站官方网站查询或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）。