人工智能在医学领域发展迅速，很大程度上得益于机器学习技术的进步，而机器学习也成为医学领域不断创新的新引擎。随着计算机技术的不断发展，深度学习迅速成为医学图像处理的主流研究热点。近年来医学图像的分析与处理也成为医学研究、临床疾病诊断和治疗中不可或缺的技术手段。现代医学疾病的诊断基于多种多样的信息，而深度学习的加入则提高了医疗效率和诊断准确率。
第一天 上午 机器学习入门
1.1Matlab编程基础
1.2数据采集和预处理(分割、配准、去噪)
1.3特征提取与归一化(线性归一化、0均值标准化)
1.4特征选择方法（过滤法、封装法、嵌入法）
1.5分类和回归方法
1.6模型评估与选择
1.7可解释性
第一天 下午 机器学习疾病诊断实践过程
2.1 正常人和病人的fMRI数据集及预处理脑网络构建（特征提取）
2.2 阈值化和特征选择方法相结合获得识别特征
2.3 阈值化、t-test和elastic net单独选择特征和组合选择特征
2.4 支持向量机 SVM、Logistic回归、决策树定性诊断
2.5 支持向量回归SVR、Elastic net预测疾病严重性
2.6 比较实验结果并输出ROC曲线和性能图
2.7 置换检验验证结果的可信度
2.8有识别力的连接特征与可视化
第二天 上/下午 经典案例 实战操作
(1) 功能磁共振影像（fMRI）神经精神疾病定性诊断与预测
(1) 基于结构磁共振影像（MRI）的神经精神疾病定性诊断与预测
(2) 基于多模态磁共振影像的疾病诊断
(3) 基于域适应的多中心磁共振影像数据预测疾病
第三天 上午 深度学习入门
3.1 神经网络
3.2 Python编程基础
3.3 前馈神经网络
3.4 深度学习与神经网络、传统机器学习的区别
3.5 深度模型的构造
3.6 梯度消失与解决梯度消失
3.7 深度的用途
3.8 典型深度学习模型
3.9 深度学习开源平台
3.10 深度学习的优势（特征表示）
3.11 卷积神经网络（CNN）
- CNN发展历史及核心思想：局部感知、权值共享
- CNN计算：卷积计算、多卷积核、池化、全连接层、网络训练
- LeNet-5详细介绍
- CNN主要架构
3.12 循环神经网络（RNN） - 基本RNN网络
- 长短时记忆网络及GRU：原理、训练算法、学习过程及应用
- 双向LSTM及双向GRU处理时序数据
- 时间、空间注意力和自我注意力
第三天 下午图像病变检测 热点案例实战操作
4 深度学习环境配置（TensoFlow）
4.1 算法总框架
4.2 数据集介绍
4.3 数据预处理（ROI提取、调整图像分辨率、归一化、数据扩增）
4.4 深度学习网络核心模块介绍
4.5 损失函数设计
4.6 环境配置
4.7 训练技巧（学习率选取、Epoch设置、特征归一化、Dropout和Early stop、损失函数曲线）
4.8实验结果及分析
实例操作：
基于深度学习的X光胸片病变检测定位及诊断（以两个最新模型为例）
第四天 上午 图像分割 热点案例实战操作
(1) 基于深度学习的新冠肺炎CT病变分割及诊断（InfNet和CopleNet）
(2) 基于深度学习脑胶质瘤多模态MRI图像分割及诊断（Transformer）
第四天 下午图像分类 热点案例实战操作
(3) 基于双向LSTM提取fMRI动态功能连接特征预测神经精神疾病
(4) 基于图卷积神经网络(Graph CNN)的神经精神疾病预测
(5) 基于Inceptionv3的糖尿病视网膜病变图像分
建立班级微信群，长期指导关于自己关心的医学影像处理方案和策略
更多内容可关注公众号查看：医学图像处理与疾病诊断公众号请点击