آموزش یادگیری عمیق در پزشکی
آموزش یادگیری عمیق در پزشکی
چکیده
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.
امین زاده شیرازی دانشجوی دکترای بایوانفورماتیک دانشگاه استرالیای جنوبی (UniSA) می باشند و در مرکز تحقیقات سرطان این دانشگاه مشغول به انجام رساله دکترای خود در زمینه تشخیص دقیق بیماری های مغز با استفاده از هوش مصنوعی و یادگیری عمیق هستند.
چکیده آموزش
توضیحات تکمیلی
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
- معرفی سیستم عامل لینوکس
- 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
- مفاهیم پایه
- 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
- بررسی نمونه های پاتولوژی سرطان سینه
مفید برای رشته های
- مهندسی پزشکی
- مهندسی کامپیوتر
- بیوانفورماتیک
آنچه در این آموزش خواهید دید:
نرم افزارهای مرتبط با آموزش
پیش نمایش‌ها
پیش‌نمایش ۱:
مقدمه ای بر یادگیری عمیق در علوم پزشکی
توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۳ مگابایت -- (کلیک کنید +))
پیش‌نمایش ۲:
پیش نیازهای مورد نیاز برای کار با تکنیک های یادگیری عمیق
توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۱۴ مگابایت -- (کلیک کنید +))
پیش‌نمایش ۳:
مهم ترین و کاربردی ترین دستورات پایتون
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
پیش‌نمایش ۴:
مفاهیم پایه و مهم ترین شبکه های عصبی قابل استفاده در پزشکی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
پیش‌نمایش ۵:
پیاده سازی مدل بخش بندی تصویر U-NET در محیط برنامه نویسی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.راهنمای تهیه آموزش ها
در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
- با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
- با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه
اطلاعات تکمیلی
| نام آموزش | آموزش یادگیری عمیق در پزشکی |
|---|---|
| ناشر | فرادرس |
| شناسه اثر | ۸–۱۲۴۵۲–۰۶۹۵۰۹ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد) |
| کد آموزش | FVML9710 |
| مدت زمان | ۴ ساعت و ۲ دقیقه |
| زبان | فارسی |
| نوع آموزش | آموزش ویدئویی (کیفیت HD - مورد تایید فنی فرادرس) |
| حجم دانلود | ۵۷۵ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس) |
نظرات
یونس
ایشون عالی هستند خارج از فرادرس تونستم باهاشون ارتباط هم بگیرم بسیار خوش برخوردند
وحید
مطالب در حد متوسط، خیلی عمیق و کاربردی به موضوع پرداخته نشده است و به نظرم میشه به صورت تکمیلی تر نیز ارائه کنید.
علی
صفر تا صد این آموزش خوب بود، منتهی اگه بشه که پژوهشی یا پروژه محورتر باشه، قطعا مفید تر خواهد بود.
محمدحسین
از همه نظر عالی بود فقط اینکه سعی کنید به صورت کدنویسی مباحث ارائه بشه فوق العاده میشه
احسان
تسلط لازم نداشتن و به نظرم آموزش خوبی نبود
علی
راضی بودم خوب بود یه ایرادی که میشد از این آموزش گرفت این بود که موقع نصب نرم افزار به مشکل میخوردم و باید با مراجعه به گروه های مختلف متوجه اشتباهم میشدم ولی در کل خوب بود نوع تدریس مدرس جذاب بود.
سجاد
آموزش خوب بود به کارم اومد مطالب با اینکه خلاصه بود ولی همه مطالب رو در بر میگرفت بیشتر برای علاقه مندیم نگاه کردم.
علی
خیلی مدنظرم نبود زیاد نتونستم با محتوا ارتباط برقرار کنم و به طور کلی راضی نبودم.
یگانه
عالی عالی عالی
افسانه
آموزشی بی نظیر و بسیار استادانه.