Aprenentatge Profund per a l'Anàlisi d'Imatge Mèdica

Esteu aquí

Crèdits
3
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
UB
Mail
La imatge mèdica ha evolucionat en les últimes Dècades integrant Noves eines per al diagnòstic automàtic i el Suport a la presa de decisions clíniques. Les eines de visió artificial i aprenentatge profund s'utilitzen en diverses modalitats d'imatge (RM, TAC, US., Dermatologia) per proporcionar Resultats de diagnòstic comparables amb els Experts clínics. Aquest curs s'enfocarà en Mètodes específics per a l'anàlisi d'imatges mèdiques, detecció de patologies, augmenta de dades, recol·lecció i preparacions d'imatges, així com también com generar i comunicar informació significativa a partir d'anàlisis

Professorat

Responsable

  • Simone Balocco ( )

Altres

  • Oliver Díaz Montesdeoca ( )

Hores setmanals

Teoria
1
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
3.8

Competències

Competències Tècniques Generals

Genèriques

  • CG2 - Capacitat per a dirigir, planificar i supervisar equips multidisciplinaris.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA4 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Intel·ligència Computacional, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA6 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques de Visió Computacional, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA8 - Capacitat de realitzar investigació en noves tècniques, metodologies, arquitectures, serveis o sistemes en l'àrea de la Intel·ligència Artificial.
  • CEA13 - Capacitat de comprendre les tècniques avançades de Modelització, Raonament i Resolució de problemes, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.
  • CEA14 - Capacitat de comprendre les tècniques avançades de Visió, Percepció i Robòtica, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.
  • CEP6 - Capacitat d'assimilar i integrar els canvis de l'entorn econòmic, social i tecnològic als objectius i procediments del treball informàtic en sistemes intel·ligents.
  • CEP8 - Capacitat de respectar l'entorn ambiental i dissenyar i desenvolupar sistemes intel·ligents sostenibles.

Competències Transversals

Actitud adequada davant el treball

  • CT5 - Estar motivat pel desenvolupament professional, per a afrontar nous reptes i per a la millora contínua. Tenir capacitat de treball en situacions de falta d'informació.

Bàsiques

  • CB7 - Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, essent incomplerta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis.

Objectius

  1. Introducció a les modalitats d'imatge clínica.
    Tècniques d'anàlisi de dades.
    Xarxa neuronal per a imatges mèdiques
    Bases de dades i challenges
    Competències relacionades: CB7, CT5, CEA13, CEA14, CEA3, CEA4, CEA6, CEA8, CEP3, CEP6, CEP8, CG2,

Continguts

  1. Introducció a les modalitats d'imatge clínica
    Introducció a les modalitats d'imatge clínica
  2. Tècniques d'anàlisi de dades
    Tècniques d'anàlisi de dades
  3. Xarxa neuronal per a imatges mèdiques
    Xarxa neuronal per a imatges mèdiques
  4. Bases de dades i challenges
    Bases de dades i challenges

Activitats

Activitat Acte avaluatiu


Teoria

Teoria
Objectius: 1
Teoria
12h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
13h

practicas

practicas
Objectius: 1
Teoria
0h
Problemes
0h
Laboratori
12h
Aprenentatge dirigit
0h
Aprenentatge autònom
33h

Presentació estudiants

Presentació estudiants
Objectius: 1
Teoria
1h
Problemes
0h
Laboratori
1h
Aprenentatge dirigit
0h
Aprenentatge autònom
3h

Metodologia docent

T - Cada setmana serà una classe d'exposició de tema teòric d'una hora.
P - Cada setmana serà una sessió pràctica d'1h.
La resta del curs es dedica a conferències autònomes, programació i estudis.

Mètode d'avaluació

El curs seguirà una avaluació continuada consistent en informes pràctics (PR) i presentacions a classe (PS). Es realitzarà una prova (o múltiples mini-proves) sobre la teoria (TS). La puntuació final (FS) es calcularà de la següent manera:
FS = 0.4 * PR + 0.3 * PS + 0.3 * TS
Es requereix una puntuació mínima de 3 sobre 10 punts per cada part PR, PS i TS per calcular la puntuació final FS.

Bibliografia

Bàsica:

  • A survey on deep learning in medical image analysis - Litjens, G.; Kooi, T.; Bejnordi, B.E, Medical image analysis, 42, 60-88. (2017).
    HTTPS://DOI.ORG/10.1016/J.MEDIA.2017.07.005
  • Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique - Greenspan, H., Van Ginneken, B., & Summers, R. M, IEEE Transactions on Medical Imaging, (2016) 35(5), 1153-1159.
    https://ieeexplore.ieee.org/document/7463094

Capacitats prèvies

Els coneixements previs recomanats per a aquest curs són:
- Bona comprensió dels conceptes bàsics i mètodes de Deep Learning.
- Familiarització amb conceptes i mètodes bàsics de visió per computador.
- Bones habilitats de programació