• 参会报名
  • 会议通知
  • 会议日程
  • 会议嘉宾
  • 参会指南
  • 邀请函下载

首页 > 商务会议 > 学术/科研会议 > 影像组学及医学影像人工智能应用培训班6月线上 更新时间:2021-04-20T10:42:37

影像组学及医学影像人工智能应用培训班6月线上
收藏人
分享到

影像组学及医学影像人工智能应用培训班6月线上 已过期

会议时间:2021-06-04 09:00至 2021-06-07 17:00结束

会议地点: 线上活动  详细地址会前通知  

会议规模:60人

主办单位: 北京仕而优教育科技集团有限公司

发票类型:增值税专用发票 增值税普通发票
领取方式:现场领取 
发票内容: 会议费 会务费 会议服务费 资料费 培训费 技术培训费 
参会凭证:

行业热销热门关注看了又看 换一换

        会议通知

        会议内容 主办方介绍


        影像组学及医学影像人工智能应用培训班6月线上

        影像组学及医学影像人工智能应用培训班6月线上宣传图

         

        影像组学医学影像人工智能应用培训班

        各企事业单位、高等院校及科研院所:

        近年来,随着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,逐渐引起医学领域专家的重视。很多研究发现,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,受生物医学领域高产出的“组学”概念的启发,荷兰Lambin等首次提出了影像组学(radiomics)的概念,即使用计算机软件从影像图像中自动化抽取海量影像定量特征,借助大数据分析手段,解析临床信息,用于肿瘤的定性、分级分期、基因分析、疗效评估和预后预测等,指导并优化临床决策,最终实现精准医疗。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,而绝大部分医学生或医生并无工科背景。

        中国管理科学研究院职业资格认证培训中心特举办“影像组学及医学影像人工智能应用培训班”。本次对前沿的影像组学及人工智能案例进行全面的讲解,帮助学员掌握和利用影像组学进行具体工作的开展。

        本次培训由北京仕而优教育科技集团有限公司具体承办,相关事宜通知如下:

        一、培训目标:

        1、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。

        2、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。

        3、《癌症的生存率预测》《鼻窦炎预后效果分析》《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》等案例的具体人工智能实现路径及方法。

        二、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06月04日—2021年06月07日   远程在线授课

        2021年06月04日—2021年06月07日   北京*机房上课

          (第一天全天报到,授课三天,机房上课)

        三、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

         

        四、医学影像案例实战训练:

        一、结构化数据

        《癌症的生存率预测》,结构化数据介绍

        影像组学及医学影像人工智能应用培训班6月线上

        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、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。

        影像组学及医学影像人工智能应用培训班6月线上

        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。

        三、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。

        影像组学及医学影像人工智能应用培训班6月线上

        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。

         

        查看更多

        会议日程


        即将更新,敬请期待

        会议嘉宾


        即将更新,敬请期待

        参会指南

        会议门票


        五、培训费用: 

           A类,每人3900元(含培训费、证书费、资料费)

            B类,每人4580元(含培训费、证书费、资料费)

           注:住宿可统一由会务组进行安排,费用自理。

        六、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。

        查看更多

        温馨提示
        酒店与住宿: 为防止极端情况下活动延期或取消,建议“异地客户”与活动家客服确认参会信息后,再安排出行与住宿。
        退款规则: 活动各项资源需提前采购,购票后不支持退款,可以换人参加。

        标签: 影像组学

        活动家为本会议官方合作
        报名平台,您可在线购票

        会议支持:

        • 会员折扣
          该会议支持会员折扣
          具体折扣标准请参见plus会员页面
        • 会员返积分
          每消费1元累积1个会员积分。
          仅PC站支持。
        • 会员积分抵现
          根据会员等级的不同,每抵用1元可使用的积分也不一样,具体可参见PLUS会员页面。 仅PC站支持。

        部分参会单位

        主办方没有公开参会单位

        邮件提醒通知

        分享到微信 ×

        打开微信,点击底部的“发现”,
        使用“扫一扫”即可将网页分享至朋友圈。

        录入信息

        请录入信息,方便生成邀请函