各企事业单位、高等院校及科研院所：
随着数字医学和医学图像信息学的发展，从医学图像中挖掘图像特征、解析临床信息，逐渐成为医学领域重要研究方向。通过对图像数据特征的深层次挖掘，医学图像能提供更多肉眼不能识别的信息，可用于指导临床决策。2012年，影像组学（radiomics）概念的提出，影像组学分析流程主要包括：图像获取、病灶分割、特征提取和筛选、模型构建和临床信息解析等；其研究涉及医工交叉学科，需要医学和工科紧密合作，共同解决医生们在临床实践中提出的实际问题。
中国管理科学研究院职业资格认证培训中心（http://www.cnzgrz.org.cn ）特举办“医学影像组学人工智能应用案例实践培训班”。本次对前沿的影像组学及人工智能案例结合方法及应用进行了全面的讲解，帮助学员掌握影像组学临床和科研工作的开展方法和实现路径。
一、培训目标：
1、掌握影像组学研究过程与方法，掌握影像组学SCI论文写作思路，常用影像组学建模方法及未来发展方向和科研思路。
2、结合具体临床实际案例，进行案例讲解和专题讨论，有效的提升学员解决临床和科研问题的能力。
3、《癌症的生存率预测》《鼻窦炎预后效果分析》《乳腺癌识别》《COVID-19新冠肺炎识别》《人脑肿瘤分割》《皮肤疾病病灶区域分割》等经典案例实践训练。
二、上课形式：
经典任务案例实际操作，统一提供数据，统一提供训练代码，一键运行，零基础快速掌握人工智能应用工具。
三、时间地点: 《远程在线培训班和线下现场培训两种授课方式任选其一》
     2021年06月04日—2021年06月07日 远程在线授课
      2021年06月04日—2021年06月07日 北京*机房上课
             (第一天全天报到，授课三天，机房上课)

四、课程体系：
一、人工智能与影像组学综述 1.影像组学应用方向和进展研究
2.影像组学核心思想剖析、分析流程介绍
3.影像组学影像组学数据分析、模型建立及实现
4.影像组学经典可视化内容描绘方法
5.影像组学所需要的数学与统计学基础
6.人工智能在医学影像组学的发展及趋势
二、影像组学SCI论文、专利、基金申请写作思路重要内容 1.影像组学SCI论文书写流程
2.影像组学SCI论文评价标准
3.影像组学专利申请流程
4.影像组学专利撰写要点
5.影像组学临床预测模型比较
6.影像组学基金的撰写思路及未来发展方向和科研思路
案例：标注一个脑部肿瘤病灶区域
三、影像组学数据获取以及数据标注 1.Labelme标注软件介绍
2.影像学分类数据标注
3.影像学检测数据标注
4.影像学ROI分割数据标注
5.常见开源数据集介绍
案例：标注一个脑部肿瘤病灶区域
四、人工智能实验环境配置 1.实验环境配置要求
2.实验环境配置介绍
3.深度学习开发环境搭建
4.实验室环境计算资源配置
案例：搭建并配置好人工智能实验环境
五、数据处理Python入门指导 1.0基础入门Python
2.NumPy库基础解读
3.Pandas库基础解读
4.图像预处理方法介绍
案例：使用python处理dicom类型CT数据
六、影像组学抽象建模 1.结构化数据建模方式。
2.图像数据建模方式。
3.时序信号建模方式。
七、上手一个具体的影像组学案例 1.模型训练中基本概念
1.学习率
2.损失函数等
案例：癌症生存概率分析
八、分类影像学 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
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。
案例: COVID-19新冠肺炎识别
九、分割影像学 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。
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。
案例:人脑肿瘤分割
十、辅助课程 1.疑难解答、分组讨论；
2.学后交流、微信群、QQ群建立；
3.咨询、合作

五、医学影像案例实战结合：
一、结构化数据
《癌症的生存率预测》，结构化数据介绍

1. 结构化数据的处理方法。
    1.如何快速读取结构化数据。
    2.使用pandas对数据快速进行统计学分析。
2. 传统机器学习算法对问题进行建模。
1.基于scikit-learn中的算法，例如LR、SVM、RF、GBDT等常见的监督算法。
2.基于XGBoost的建模方法。tree_method、max_depth等重要参数的介绍。
3.基于LightGBM的建模方法。eta、objective等重要参数介绍。
3. 案例上手练习：基于DNN的深度学习建模方法。
1.DNN模型在Tensorflow的搭建。tensorflow中的一些主要API的参数以及用法介绍。
2.Tensorflow训练DNN基本流程。model、train、loss function等相关技术的串联。
     3.如何对模型进行部署测试。对于训练好的模型，使用测试集对模型的性能进行测试。

二、自然语言数据
《鼻窦炎预后效果分析》，自然语言数据的任务的处理方法。

1.数据的预处理方法
    1.文本等自然语言数据的进行分词，基于jieba分词的工具使用介绍。
    2.【专有名词】字典如何输入到jieba中，使特定的单词不被分割。
    3.去掉停用词等，保留文本的主要信息。
2. 数据的编码方式
    1.将文字信息，转化成一个向量表示。Embedding的技术。
    2.可以考虑使用wordnet、word2vec等开源的Embedding的库，基于预训练的模型对特征进行迁移。
3. 案例上手练习：基于RNN的深度学习建模方法。
    1.RNN网络如何使用Tensorflow进行搭建。
    2.将编码好的文字信息输入到RNN当中，并且训练对应的模型。
        3.RNN模型部署测试。使用已经训练的模型对未知的数据进行测试，评估效果。
三、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》，从CT扫描数据中识别指定疾病。

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，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。
四、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。

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。