آموزش یادگیری عمیق در پزشکی

امروزه کاربردهای هوش مصنوعی بر هیچ کس پوشیده نیست. در این میان، یادگیری ماشین به عنوان یکی از مهم ترین شاخه های این زمینه جایگاه ویژه ای را در تمامی علوم به خود اختصاص داده است. یادگیری عمیق با بهره گیری از مبانی شبکه های عصبی مصنوعی در حل بسیاری از مباحث حوزه پردازش تصاویر پزشکی از قبیل: طبقه بندی، آشکارسازی و بخش بندی عکس های MRI و Pathology، قدرت خود را به اثبات رسانده است.

با یک جستجوی ساده با عبارت کلیدی Deep Learning in Medicine با صدها مقاله، کتاب و متون علمی مواجه خواهیم شد که اهمیت بیش از پیش این زمینه تحقیقاتی را بیان می کند. تکنیک های سنتی پردازش تصویر، قادر به انجام عملیات محاسباتی بر روی تصاویر با رزولوشن فوق العاده بالای گرافیکی نبوده و لذا یادگیری عمیق به عنوان تکنیکی موفق در پزشکی جای خود را میان محققان بازکرده است. این فرادرس بر آموزش یادگیری عمیق با رویکرد پزشکی نیز تمرکز دارد.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• درس یکم: مقدمه ای بر یادگیری عمیق در علوم پزشکی
  • تاریخچه یادگیری عمیق
  • یادگیری عمیق و نقش آن در پزشکی
• درس دوم: پیش نیازهای مورد نیاز برای کار با تکنیک های یادگیری عمیق
  • معرفی سیستم عامل لینوکس
    • نصب لینوکس (Linux)
    • معرفی مهم ترین دستورات CMD
  • نصب کارت گرافیک، CUDA و cuDNN
  • نصب محیط برنامه نویسی
    • پایتون (Python)
    • تنسورفلو (TensorFlow)
    • کراس
  • عیب یابی و تست
• درس سوم: مهم ترین و کاربردی ترین دستورات پایتون
  • مفاهیم پایه
    • تصاویر رنگی و سیاه و سفید
    • تنسور (Tensor)
    • انواع داده‌ ها در تصاویر
  • نمونه پروژه پایتون با داده های تصویری
    • معرفی و ورود ماژول ها
    • بارگذاری داده های تصویری
    • نگاهی به ویژگی های تصاویر بارگذاری شده
    • تعریف و فراخوانی تابع، دستورات شرطی و تکرار برای پیش پردازش داده ها
    • برنامه نویسی شی گرا در پایتون و ساخت Object
    • نمایش تصاویر پردازش شده
    • Images Re-size, Re-color, Augmentation, One-Hot Encoding
• درس چهارم: مفاهیم پایه و مهم ترین شبکه های عصبی قابل استفاده در پزشکی
  • Zero Padding
  • Filter
  • Filter Depth
  • Kernel Size
  • Convolution
  • Stride
  • Feature Map
  • Pooling
  • Unpooling
  • Transpose Convolution
  • Ground Truth
  • مهم ترین شبکه های عصبی قابل استفاده در پزشکی
    • شبکه عصبی کانولوشنال (CNN)
    • (FCN (Fully Convolutional Neural Network
    • U-Net) Medical Image Segmentation)
      • نحوه ارزیابی مدل Segmentation
    • یادگیری عمیق، دسته بندی بیماران و پیش بینی پدیده های پزشکی
    • یادگیری عمیق و کاوش در فرایندهای زیستی مرتبط با بیماری های انسان
• درس پنجم: پیاده سازی مدل بخش بندی تصویر U-NET در محیط برنامه نویسی
  • بررسی نمونه های پاتولوژی سرطان سینه
    •  پیش پردازش نمونه ها
    • پیاده سازی مدل بخش بندی تصویر U-NET در محیط برنامه نویسی

مفید برای رشته های

• مهندسی پزشکی
• مهندسی کامپیوتر
• بیوانفورماتیک