Aprenentatge Profund per a l'Anàlisi d'Imatge Mèdica

Crèdits
3
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
UB
Mail
simone.balocco@ub.edu
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

Altres

Hores setmanals

Teoria
1
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
3.76

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

    Bàsic

    • 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

    Web links

    • for more information, please visit: https://www.ub.edu/pladocent/?cod_giga=575047&curs=2024&idioma=ENG http://Pla docent UB

    Capacitats prèvies

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