返回首页 交叉 | Interdisciplinary 生物医学成像的图像分析技术和机器学习方法
生物医学成像的图像分析技术和机器学习方法

生物医学成像的图像分析技术和机器学习方法

An Introduction to Image Analysis Techniques and Machine Learning Approaches to Biomedical Imaging

人类从图像中提取微观信息的能力在基础生物医学研究和越来越多的临床应用中发挥着越来越重要的作用。现实案例中,人们需要使用自动图像分析方法从这些庞大而复杂的数据集中提取定量信息,这样的算法可以用来计算给定组织切片中的细胞数量。在更高级的应用中,算法正在帮助病理学家评估某些疾病的相关模式。

本课程将提供生物成像和计算病理学的基本背景。各种不同的显微镜方法和不同的成像组织方法将被重点介绍。课程将讨论如何用数字解析图像,以及如何评估各种不同的图像参数,包括对比度和质量。课程还将介绍用于阅读和查看这些图像的常用文件格式和工具。经典的特征提取,图像分割和形状分析的方法将结合现代机器学习方法被演示。该课程将说明神经网络和深度学习如何彻底改变了生物医学图像分析领域。因此,本课程提供了一个极好的机会来学习机器学习在实际环境中的应用。

对成像处理感兴趣,具备Python,数值计算基础的本科生;修读数学、计算机等专业,以及未来希望在工业自动化、文字及图纸的读取、医疗、交通及遥感图像处理等领域从业的学生。

Jens Rittscher
Jens Rittscher 牛津大学工程学系终身教授

•目标发现(Target Discovery)研究所生物医药成像研究组领头人
•前通用电气全球研究中心资深高级研究员/项目经理,主攻运用计算机视觉、概率建模和统计学解决自动视频注释、视觉监视和生物医学成像方面难题
•美国伦斯勒理工学院客座教授
•居里夫人学者协会成员
•论文引用累积4424次,h-index 30,i10-index 55

课程模块 教学要点
01 细胞形状分析:来自高通量筛选实验的数据将被用于检测细胞,估计它们的形态,并表征细胞的亚群。
02 组织病理学中的分类:PatchCamelyon挑战赛数据集的一个子集将被用来学习如何使用机器学习来检测淋巴结中转移组织的存在。该单元将使用多种深度学习架构,并研究成本函数的变化如何影响性能。
03 亮场图像分析:某些显微镜方法允许人们在不使用任何荧光标记物的情况下对细胞进行成像,这些荧光标记物可能对细胞有潜在的毒性和伤害。在这个项目中,学生将使用从差分干涉对比(DIC)显微镜中获得的数据。任务将集中在细胞检测和分割。
04 前列腺组织学分级:格里森分级是前列腺活检的标准临床实践。Gleason2019挑战数据集的数据将被用于学习模型,用于预测给定活组织检查的Gleason级别。
核心课程 教授授课36课时;助教辅导24课时;学术写作18课时。
先修课程 2-8课时。

 

  • 成绩单
  • 评估报告
  • 论文成果
  • 推荐信