Aprendizaje Profundo para el Análisis de Imagen Médica

Usted está aquí

Inicio » Estudios » Másteres » Máster en Inteligencia Artificial » Plan de estudios » Asignaturas » Aprendizaje Profundo para el Análisis de Imagen Médica
Créditos
3
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
UB
Mail
La imagen médica ha evolucionado en las últimas décadas integrando nuevas herramientas para el diagnóstico automático y el apoyo a la toma de decisiones clínicas. Las herramientas de visión artificial y aprendizaje profundo se utilizan en varias modalidades de imagen (RM, TAC, US., Dermatología) para proporcionar resultados de diagnóstico comparables con los expertos clínicos. Este curso se enfocará en métodos específicos para el análisis de imágenes médicas, detección de patologías, aumento de datos, recolección y preparación de imágenes, así como también cómo generar y comunicar información significativa a partir de análisis

Profesorado

Responsable

  • Simone Balocco ( )

Horas semanales

Teoría
1
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
3.8

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Capacidad para dirigir, planificar y supervisar equipos multidisciplinares.

Competencias Técnicas de cada especialidad

Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA4 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Inteligencia Computacional, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA6 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas de Visión Computacional, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA8 - Capacidad de realizar investigación en nuevas técnicas, metodologías, arquitecturas, servicios o sistemas en el área de la Inteligencia Artificial.
  • CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
  • CEA14 - Capacidad de comprender las técnicas avanzadas de Visión, Percepción y Robótica, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Profesionales

  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.
  • CEP6 - Capacidad de asimilar e integrar los cambios del entorno economico, social y tecnologico a los objetivos y procedimientos del trabajo informatico en sistemas inteligentes.
  • CEP8 - Capacidad de respetar el entorno ambiental y diseñar y desarrollar sistemas inteligentes sostenibles.

Competencias Transversales

Actitud frente al trabajo

  • CT5 - Estar motivado para el desarrollo profesional, para afrontar nuevos retos y para la mejora continua. Tener capacidad de trabajo en situaciones de falta de informacion.

Básicas

  • CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

Objetivos

  1. Introducción a las modalidades de imagen clínica.
    Técnicas de análisis de datos.
    Red neuronal para imágenes médicas
    Bases de datos y challenges
    Competencias relacionadas: CB7, CT5, CEA13, CEA14, CEA3, CEA4, CEA6, CEA8, CEP3, CEP6, CEP8, CG2,

Contenidos

  1. Introducción a las modalidades de imagen clínica.
    Introducción a las modalidades de imagen clínica.
  2. Técnicas de análisis de datos
    Técnicas de análisis de datos
  3. Red neuronal para imágenes médicas
    Red neuronal para imágenes médicas
  4. Bases de datos y challenges
    Bases de datos y challenges

Actividades

Actividad Acto evaluativo


Teoria

Teoria
Objetivos: 1
Teoría
12h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
13h

practicas

practicas
Objetivos: 1
Teoría
0h
Problemas
0h
Laboratorio
12h
Aprendizaje dirigido
0h
Aprendizaje autónomo
33h

Presentacion estudiantes

Presentacion estudiantes
Objetivos: 1
Teoría
1h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
3h

Metodología docente

T - Cada semana será una clase expositiva de temas teóricos de 1h.
P - Cada semana será una sesión práctica de 1h.
El resto del curso se dedica a conferencias autónomas, programación y estudio.

Método de evaluación

El curso seguirá una evaluación continua consistente en informes prácticos (PR) y presentaciones en clase (PS). Se realizará una prueba (o múltiples mini-pruebas) sobre la teoría (TS). La puntuación final (FS) se calculará de la siguiente manera:
FS = 0.4 * PR + 0.3 * PS + 0.3 * TS
Se requiere una puntuación mínima de 3 sobre 10 puntos para cada parte PR, PS y TS para calcular la puntuación final FS.

Bibliografía

Básica:

  • 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

Capacidades previas

Los conocimientos previos recomendados para este curso son:
- Buena comprensión de los conceptos y métodos básicos de Deep Learning.
- Familiaridad con los conceptos y métodos básicos de la Visión por Computador.
- buenas habilidades de programación