讲师介绍:
小李,中科院博士,浙江大学医学院博士后,在医学影像与人工智能结合的交叉领域有丰富的研究、教学经验。
课程适合人群:
这门课面向 0 基础学员,因此我会用一定的篇幅讲解计算机语言、机器学习基础以及深度学习基本概念。如果你恰好使用过 Python,那再好不过。如果你会的计算机语言不是 Python,也会对这门课的学习有所帮助。即使你完全不会编程,只要你跟着课程一步一步做下来,我相信也可以取得想要的结果。
同时也请注意,本课程不会过多讨论浅层学习算法和模型的设计。因此掌握必要的机器学习基本知识对学习本课程非常有帮助,我们强烈建议报名学员具备一定的机器学习基础和实践经验。
课程设计理念与方法:
1. 面向外行人的通俗讲解
这是一门主要面向医生、医学生的深度学习课程。因此,过多的数学理论介绍和公式推导是不合适的,整个课程设计中我都会注意这一点。并且课程的讲解 将延续小李一贯的“讲人话”风格。用最通俗易懂、有趣的方式传递知识和技能。 相信学过这门课程的学员,能够独立开展相关研究,完成论文写作或项目申请。
2. 真实的医学应用案例
同时,既然是面向医务工作者的课程,那课程中所有内容的都应该具有在医 学领域应用可能性和价值。所以,本课程中所有方法、算法和模型的选择都有真 实的医学领域的应用案例,如选自医学文献或权威大赛等。课程上也会对这些实 际案例进行介绍。并且所有模型的选择都与医学人工智能领域专家进行过深入的 讨论,以保证其实用价值和未来潜力。
3. 从实践中来,到实践中去
一门合格课程是让学习者掌握技能,能够进一步独立开展研究。为达到这一目的,我们坚持“实践出真知”的理念。在我们详细解析概念、过程和代码之后, 建议学员自己动手完成相应的实践任务。尽管课程代码是完全公开的,仍然建议 每位学员自己敲一敲键盘,实现目的。
4. 3 类数据,5 类应用,10 余种模型,N个医学领域应用
本课程内容覆盖对三类数据深度学习:
1、数值数据。如临床中各种检验结果,影像组学中提取出的特征值等;
2、文本数据。如病例报告;
3、图像数据。如对 CT、核磁共振、超声影像、PET、病理图像、内镜图像 等影像数据直接进行深度学习。
本课程将深入讲解深度学习算法在医学领域常见的 5 类应用:
1、分类。如肿瘤良恶性二分类,肿瘤分级多分类等;
2、回归。如对某项功能进行数值的预后;
3、目标检测。如癌症检测识别等;
4、感兴趣区自动分割。如病灶分割。
5、深度特征提取。很多情形下,手工提取的影像组学特征(hand-craftedfeatures)并不能为我们提供足够充分和深入的信息以帮助我们完成任务,因 此有必要使用深度学习方法,提取深度特征。
本课程至少详解十余种深度学习算法模型原理和代码实现,并介绍这些模型在神经内科、神经外科、妇产科、内科、外科等多个医学领域和方向上已经发 表文章的应用成果。你可以继续在这些领域里应用这些算法,也可以将这些算法尝试应用于新的领域中,这本身也是一种创新。
本课程含纸质教材,下单后请将邮寄地址告知微信客服: hochzeitstorte
发票可开培训费、会议费、材料费等。