医疗AI：医学影像分割与诊断辅助培训课程-曙海培训中心

医疗AI：医学影像分割与诊断辅助培训课程

•  

• 培训对象： 医疗AI算法工程师、医学影像处理人员、医疗器械研发人员、医院信息科技术人员。

•  

• 培训目标：

  • 理解医学影像的特点和常见格式（DICOM、NIfTI）。

  • 掌握医学影像分割（U-Net、nnU-Net）和分类方法。

  • 能够开发疾病检测和辅助诊断模型。

  • 具备模型可解释性和临床验证能力。

•  

• 培训内容介绍：

•  

  一、 医学影像基础与格式： 理解DICOM、NIfTI等医学影像格式，处理像素间距、窗宽窗位等元信息。

  二、 医学影像预处理： 进行重采样、归一化、偏置场校正，处理多模态影像（CT、MRI、PET）。

  三、 数据增强与样本不均衡： 使用弹性变形、旋转、翻转进行数据增强，处理类别不均衡问题。

  四、 U-Net架构与分割原理： 理解U-Net的编码器-解码器和跳跃连接结构，掌握医学分割的基本范式。

  五、 U-Net分割实战： 使用PyTorch实现U-Net，训练器官或病灶分割模型，评估Dice系数、IoU指标。

  六、 nnU-Net自动化框架： 使用nnU-Net自动配置预处理、网络结构和训练参数，实现开箱即用的分割。

  七、 3D分割与多模态融合： 扩展2D模型到3D（3D U-Net），融合CT和MRI等多模态信息提升精度。

  八、 疾病分类与检测： 使用CNN对医学影像进行分类（肺炎、癌症分级），使用热力图（Grad-CAM）解释模型。

  九、 目标检测在医学中的应用： 使用YOLO或Faster R-CNN检测肺结节、微钙化点等小目标。

  十、 影像组学（Radiomics）： 提取影像纹理、形状特征，结合临床数据构建预测模型。

  十一、 模型部署与DICOM集成： 将模型封装为DICOM Web服务，集成到PACS系统，实现临床工作流集成。

  十二、 实战项目：肺结节分割与检测： 使用公开数据集（LIDC）开发肺结节分割和检测模型，评估临床可用性。