Aprendizaje profundo para el análisis de imágenes biomédicas

Diagrama de temas

• Colapsar todo Expandir todo

  Aprendizaje Profundo para el Análisis de Imágenes Biomédicas

  Este curso pretende brindar a los estudiantes los conceptos teóricos fundamentales y las herramientas prácticas necesarias para construir sus propios modelos de análisis de imágenes basados en aprendizaje profundo, con especial foco en aplicaciones relacionadas a las imágenes biomédicas.

  Al final del curso, los alumnos serán capaces de implementar y entrenar modelos estándar basados en redes neuronales profundas para resolver problemas de segmentación, clasificación y registrado de imágenes; conocerán las problemáticas generales que se abordan en el campo del análisis de imágenes biomédicas; y contarán con las herramientas tecnológicas necesarias para desarrollar nuevos modelos para el análisis automático de imágenes.

  
  

  • Registro de interesados en realizar el curso

    Los interesados en realizar el curso deben completar este formulario antes del 6 de febrero de 2022.

  • Temario

    Bloque 1: Introducción al aprendizaje profundo. Introducción y contexto histórico. Aprendizaje automático, conceptos básicos. Un algoritmo de clasificación simple: K-vecinos más cercanos. Medidas para evaluar la calidad de la clasificación. Buenas prácticas en aprendizaje automático.

    Redes neuronales feedforward. Perceptrón multicapa. Funciones de pérdida. Métodos de regularización. ¿Cómo entrenar una red neuronal? Método del gradiente descendiente. Variantes del método: adaptativo, con momento y por mini-batches. Derivación automática y algoritmo de retropropagación. Aprendizaje profundo. Normalización de Batches. Métodos de inicialización. Dropout.

    Bloque 2: Redes neuronales convolucionales y su aplicación al análisis de imágenes. Introducción a la visión computacional. Definición de problemas clásicos en visión: clasificación de imágenes, detección de objetos, segmentación de imágenes, estimación de flujo óptico. Aproximaciones clásicas a la visión computacional. Medidas para evaluar la calidad de los algoritmos de segmentación.

    Redes neuronales convolucionales (RNC). Pooling. Arquitecturas de RNC para visión computacional: LeNet, AlexNet, VGG Net,. Redes totalmente convolucionales: FCN. Arquitecturas para estimación de flujo óptico. Autocodificadores y sus aplicaciones al análisis de imágenes.

    Bloque 3: Aprendizaje profundo para el análisis de imágenes médicas. Introducción a las imágenes médicas. Modalidades de imagen: Imágenes de Resonancia Magnética (IRM). Rayos-X. Tomografía Computada. Ultrasonido. Definición de problemas básicos del área. Formatos de almacenamiento de imágenes médicas.

    Aprendizaje profundo para el análisis de imágenes médicas. Segmentación de patologías y estructuras anatómicas. Arquitecturas de RNC para segmentación de imágenes médicas: DeepMedic, U-Net. Segmentación de imágenes volumétricas.

    Casos de aplicación. Segmentación de tumores en IRM. Registración de imágenes cardíacas. Síntesis de imágenes multimodales. Super-resolución de IRM anisotrópica.

    Conocimientos previos recomendados

    Familiaridad con conceptos básicos de reconocimiento de patrones, procesamiento de imágenes, optimización, programación en lenguaje Python.
    

  • Fechas y horario

    El curso será del 14 al 18 de febrero en el salón 401 de FIng con clases diarias de 14:00 a 18:00,  con pausas dado el actual protocolo sanitario de FIng.

  • 

    Programa de posgrado del curso Archivo
  • 

    Forma de evaluación Página
  • 

    Metodología de enseñanza Página
  • 

    Bibliografía Página
  • 

    Foro de Novedades
  • 

    Foro de Consultas

• Día 1
  • 

    Diapositivas Archivo

    5.4 MB
  • 

    Práctico (notebook).ipynb Archivo

    69.4 KB

    Python notebook (.ipynb)

  • 

    Python colab URL
  • 

    Classroom URL