Visão Geral

Curso Medical Image Analysis with Deep Learning. Embarque em uma jornada transformadora no domínio da análise de imagens médicas com cursos superiores. Este Curso Medical Image Analysis with Deep Learning abrangente oferece uma exploração aprofundada de várias modalidades de imagens médicas, incluindo raios X, ressonância magnética e imagens ultrassônicas. Com sessões práticas sobre operações básicas de imagens usando Python, você compreenderá as complexidades da textura em imagens médicas e dominará a arte da extração clássica de recursos.

Mas o aprendizado não termina aqui. Aprofunde-se no mundo das redes neurais, entendendo as complexidades dos Autoencoders, tanto esparsos quanto sem ruído. Além disso, aproveite o potencial do Deep Learning com Redes Neurais Convolucionais (CNN) e suas vastas aplicações na análise de imagens médicas. Com uma mistura de conhecimento teórico e experiência prática, este curso é feito sob medida para aqueles que desejam revolucionar o diagnóstico de saúde e o planejamento de tratamento por meio do poder do aprendizado profundo.

Publico Alvo

• Engenheiro de aprendizado de máquina
• Cientista de Dados
• Pesquisador de aprendizagem profunda
• Desenvolvedor de IA
• Projetista de Redes Neurais
• Engenheiro de Visão Computacional
• Engenheiro de PNL (ramificando para aprendizado profundo)
• Gerente de Produto de IA (compreensão técnica)
• Engenheiro de Robótica (com componentes de IA)
• Cientista de Bioinformática (aplicações de aprendizagem profunda)
• Especialista em imagens médicas (focado em IA)
• Desenvolvedor de jogos (recursos baseados em IA)
• Especialista em Análise Preditiva
• Educador ou instrutor de IA/ML
• Desenvolvedor de Sistemas Autônomos.

Pre-Requisitos

• Python básico

Materiais

Conteúdo Programatico

Introduction to Medical Images

1. X-ray and CT Imaging
2. Magnetic Resonance Imaging
3. Ultrasound Imaging
4. Optical Microscopy and Molecular Imaging

Basic Image operation with Python

1. Read and Display Image
2. Covert Colour Image to Grayscale Image
3. Cropping and Resizing an Image
4. Rotating Image
5. Histogram Equalization
6. Blurring an Image

Texture in Medical Images

1. Texture characterization – Statistical vs Structural
2. Co-occurrence Matrix
3. Orientation Histogram
4. Local Binary Pattern (LBP)
5. Texture from Fourier features
6. Wavelets
7. Feature extractions for Image (Medical/General)

Neural Network for Visual Computing

1. Simple Neuron
2. Neural Network formulation
3. Learning with Error Propagation
4. Gradient Checking and Optimization

Deep Learning

1. What is Deep Learning?
2. Families of Deep Learning
3. Multilayer Perceptron
4. Learning Rule
5. Autoencoders
6. Retinal Vessel Detection using Autoencoders

Stacked, Sparse, Denoising Autoencoders

1. Stacking Autoencoders
2. Ladder wise pre-training and End-to-End Pre-training
3. Denoising and Sparse Autoencoders
4. Ladder Training
5. End-to-End Training
6. Medical Image classification with Stacked Autoencoders

Convolutional Neural Network (ConvNet)

1. What is ConvNet?
2. Difference between Fully connected NN and ConvNet.
3. Stride, Padding, and Pooling
4. Deconvolution
5. ReLU Transfer Function

Image Classification with CNN

1. Convolutional Autoencoder
2. LeNet for Image Classification
3. AlexNet for Image Classification

Improving Deep Neural Network

1. Batch Normalization, Dropout
2. Tuning Hyper-parameters to improve performance of NN.
3. Learning Rate Annealing
4. Different Cost Functions

Deep CNN and its application to Medical Images

1. Vgg16, ResNet34, GooleNet, and DenseNet121
2. Transfer Learning
3. Pneumonia detection from Chest X-rays with Deep CNN.
4. White blood cell classification with CNN

Object Localization

1. Activation pooling for object localization
2. Region proposal Network
3. Sematic segmentation
4. UNet
5. Retinopathy Image segmentation with UNet

Spatio-Temporal Deep Learning

1. Understanding Video analysis
2. Recurrent Neural Network (RNN)
3. Long Short Term Memory (LSTM)
4. Activity recognition using 3D-CNN
5. Analysis of Brain Images