任务适配：

• 2D影像分类，涉及病灶识别， 疾病类型诊断。
• 2D影像分割，病灶区域分割。
• 2D感兴趣区域检测

• 3D器官组织识别
• 3D影像疾病诊断

多样化数据全适用：

• 结构化数据
• CT数据
• 超声数据
• MRI数据

• X-Ray数据
• 时间序列数据
• 2D、3D医学影像数据

一站式平台：

• 数据标注
• 数据预处理
• 数据适配

• 模型调用
• 结果输出
• 模型结构

一、影像组学任务类型划分

• What，是什么。影像组学中的分类问题案例介绍
• 使用平台解决新冠肺炎识别任务（What）。
  1. 数据集配置
  2. 模型训练
  3. 模型预测效果分析
• Where，在哪里，影像组学中的感兴趣区域检测案例介绍
• 使用平台解决肺部CT数据中肺器官检测。
• Which，哪个是，影像组学中不规则区域分割案例介绍
• 案例：利用平台复现经典影像组学论文。

二、数据标注

• 分类影像学的通用解决方案
  1. Labelme数据标注
  2. 标注数据自动转化配置
  3. 一键使用进行训练

• 检测影像学的通用解决方案
• 分割影像学的通用解决方案
• 3D标注软件ITK-SNAP

三、模型构建实操演示及原理讲解

1.疾病诊断

7.胃肠镜高分化癌

2.基因突变预测

8. 预警量表诊断评估

3.疾病智能识别

9. 癌症预后分析

4疾病类型判别

10.遗传组学分析

5. 预后模型简历及验证

11. CT影像辅助诊疗

6. 神经元结构的分割

12. 多模态任务模型构建

四、算法模型调优

• 模型训练中基本概念
  1. 学习率
  2. 损失函数等
  3. 过拟合问题
  4. 初始化函数

• 迁移学习
  1. 如何进行迁移学习
  2. 模型参数如何进行迁移
• 如何在中进行超参调整和迁移学习

案例：模型超参数调优以及迁移学习

五、分类影像学

• 医学影像分类网络详解。
  1. 面向精度的图像识别网络，LeNet、AlexNet、VGG、Inception、ResNet等。
  2. 面试速度的图像识别网络，MobileNetV1、MobileNetV2、ShuffleNet等。
• CT数据的预处理。
  1. 训练数据的如何进行划分，如何进行裁剪。
  2. 训练模型的过程中实时的数据增强。
• 案例上手练习
  1. 数据集如何使用。
  2. 自己的数据如何适配到给定的算法。
  3. 其它可能扩展的任务场景介绍，例如肝炎CT数据识别等。

案例:实现一个新的模型并添加入平台

七、分割影像学

• 图像分割网络详解。
  1. FCN，第一个基于全卷积的图像分割算法。
  2. DeepLab V1-V3系列算法介绍。
  3. UNet及其衍生算法在医学影像数据的分割算法中的应用。
• 数据的预处理。
  1. 数据集介绍，分割算法依赖的数据包括那几个重要的部分。
  2. 如何对分割数据形成对应的mask。
• 案例上手联系：基于UNet的图像分割方法。
  1. 如何将自己的数据适配到UNet算法。
  2. 其他可能扩展到的分割场景。
  3. 如何使用已经训练的模型，对未知的数据进行预测。

案例:病灶区域分割中模型选择

九、影像组学SCI论文、专利、基

1. 影像组学论文模型的复现

4.

影像组学专利撰写要点

金申请算法解构

2. 影像组学SCI模型创新思路

5.

影像组学项目的模型设计

3. 影像组学算模型构建，解析

案例：病理基因的修正案例

十、数据处理Python入门指导

1. Python功能解读

3.

Pandas库基础解读

2. NumPy库基础解读

4.

图像预处理方法介绍

案例：使用python处理dicom类型CT数据

十一、Pytorch入门

1. 中用到的Pytorch接口

3.

优化器和一些模型参数

2. 如何生成指定的数据生成器

4.

保存加载模型