人工智能在醫(yī)學(xué)領(lǐng)域發(fā)展迅速，很大程度上得益于機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步，而機(jī)器學(xué)習(xí)也成為醫(yī)學(xué)領(lǐng)域不斷創(chuàng)新的新引擎。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)迅速成為醫(yī)學(xué)圖像處理的主流研究熱點(diǎn)。近年來(lái)醫(yī)學(xué)圖像的分析與處理也成為醫(yī)學(xué)研究、臨床疾病診斷和治療中不可或缺的技術(shù)手段?，F(xiàn)代醫(yī)學(xué)疾病的診斷基于多種多樣的信息，而深度學(xué)習(xí)的加入則提高了醫(yī)療效率和診斷準(zhǔn)確率。
對(duì)于零基礎(chǔ)或者新手同學(xué)可以從簡(jiǎn)單的MATLAB編程入門(mén)開(kāi)始，理解并掌握疾病診斷實(shí)踐過(guò)程；掌握Python編程基礎(chǔ)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)環(huán)境配置等內(nèi)容。
主要內(nèi)容
機(jī)器學(xué)習(xí)入門(mén)
1.1 Matlab編程基礎(chǔ)
1.2 數(shù)據(jù)采集和預(yù)處理(分割、配準(zhǔn)、去噪)
1.3 特征提取與歸一化(線性歸一化、0均值標(biāo)準(zhǔn)化)
1.4 特征選擇方法（過(guò)濾法、封裝法、嵌入法）
1.5 分類(lèi)和回歸方法
1.6 模型評(píng)估與選擇
1.7 可解釋性

機(jī)器學(xué)習(xí)疾病診斷實(shí)踐過(guò)程
2.1 正常人和病人的fMRI數(shù)據(jù)集及預(yù)處理腦網(wǎng)絡(luò)構(gòu)建（特征提取）
2.2 閾值化和特征選擇方法相結(jié)合獲得識(shí)別特征
2.3 閾值化、t-test和elastic net單獨(dú)選擇特征和組合選擇特征
2.4 支持向量機(jī) SVM、Logistic回歸、決策樹(shù)定性診斷
2.5 支持向量回歸SVR、Elastic net預(yù)測(cè)疾病嚴(yán)重性
2.6 比較實(shí)驗(yàn)結(jié)果并輸出ROC曲線和性能圖
2.7 置換檢驗(yàn)驗(yàn)證結(jié)果的可信度
2.8 有識(shí)別力的連接特征與可視化

經(jīng)典案例實(shí)戰(zhàn)操作
(1) 功能磁共振影像（fMRI）神經(jīng)精神疾病定性診斷與預(yù)測(cè)

(2) 基于結(jié)構(gòu)磁共振影像（MRI）的神經(jīng)精神疾病定性診斷與預(yù)測(cè)
(3) 基于多模態(tài)磁共振影像的疾病診斷
(4) 基于域適應(yīng)的多中心磁共振影像數(shù)據(jù)預(yù)測(cè)疾病

深度學(xué)習(xí)入門(mén)
3.1 神經(jīng)網(wǎng)絡(luò)
3.2 Python編程基礎(chǔ)
3.3 前饋神經(jīng)網(wǎng)絡(luò)
3.4 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別
3.5 深度模型的構(gòu)造
3.6 梯度消失與解決梯度消失
3.7 深度的用途
3.8 典型深度學(xué)習(xí)模型
3.9 深度學(xué)習(xí)開(kāi)源平臺(tái)
3.10 深度學(xué)習(xí)的優(yōu)勢(shì)（特征表示）
3.11 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
1) CNN發(fā)展歷史及核心思想：局部感知、權(quán)值共享
2) CNN計(jì)算：卷積計(jì)算、多卷積核、池化、全連接層、網(wǎng)絡(luò)訓(xùn)練
3) LeNet-5詳細(xì)介紹
4) CNN主要架構(gòu)
3.12 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
1) 基本RNN網(wǎng)絡(luò)
2) 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)及GRU：原理、訓(xùn)練算法、學(xué)習(xí)過(guò)程及應(yīng)用
3) 雙向LSTM及雙向GRU處理時(shí)序數(shù)據(jù)
4) 時(shí)間、空間注意力和自我注意力

圖像病變檢測(cè)熱點(diǎn)案例實(shí)戰(zhàn)操作
4 深度學(xué)習(xí)環(huán)境配置（TensoFlow）
4.1 算法總框架
4.2 數(shù)據(jù)集介紹
4.3 數(shù)據(jù)預(yù)處理（ROI提取、調(diào)整圖像分辨率、歸一化、數(shù)據(jù)擴(kuò)增）
4.4 深度學(xué)習(xí)網(wǎng)絡(luò)核心模塊介紹
4.5 損失函數(shù)設(shè)計(jì)
4.6 環(huán)境配置
4.7 訓(xùn)練技巧（學(xué)習(xí)率選取、Epoch設(shè)置、特征歸一化、Dropout和Early stop、損失函數(shù)曲線）
4.8 實(shí)驗(yàn)結(jié)果及分析
實(shí)例操作：
基于深度學(xué)習(xí)的X光胸片病變檢測(cè)定位及診斷（以兩個(gè)最新模型為例）
圖像分割熱點(diǎn)案例實(shí)戰(zhàn)操作
(1) 基于深度學(xué)習(xí)的新冠肺炎CT病變分割及診斷（InfNet和CopleNet）

(2) 基于深度學(xué)習(xí)腦膠質(zhì)瘤多模態(tài)MRI圖像分割及診斷（Transformer）

圖像分類(lèi)熱點(diǎn)案例實(shí)戰(zhàn)操作
(3) 基于雙向LSTM提取fMRI動(dòng)態(tài)功能連接特征預(yù)測(cè)神經(jīng)精神疾病

(4) 基于圖卷積神經(jīng)網(wǎng)絡(luò)(Graph CNN)的神經(jīng)精神疾病預(yù)測(cè)
(5) 基于Inceptionv3的糖尿病視網(wǎng)膜病變圖像分類(lèi)
v:1455609108