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