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》为例，介绍何如从CT扫描数据中识别指定疾病。

image-20200823210038240

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的图像分类方法，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。

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。

image-20200823210140778

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。

平台搭建

image-20200823210431566

1、标注系统

（1）标注的原始数据如何获取，结构化数据、非结构化数据。

（2）标注工具如何使用。如何将标注结果导出，并且解析成算法适配的结果。

（3）借助第三方的标注系统，使用标注服务快速获取大量数据。

2、专利+论文的撰写经验以及方法。

（1）专利撰写过程中应该注意的点，以及需要包括的基本内容。

（2）论文撰写过程中，如何对创新点进行论述才能提高论文的录用率。

3、AI计算平台的搭建。

（1）计算硬件如何选型以及对应的成本。

（2）资源如何有效进行调度，才能是资源最大化地利用。

（3）如何搭建一个可视化的平台，“产、学、研、用”，最终落在“用”上应该需要准备哪些条件。

转自：深度学习科研平台

如有侵权，请联系本站删除！