Hoppa till huvudinnehållet

CM2003 Djupinlärning för medicinsk bildanalys: en praktisk kurs 7,5 hp

Välj termin och kursomgång

Välj termin och kursomgång för att se information från rätt kursplan och kursomgång.

Rubriker med innehåll från kursplan CM2003 (HT 2020–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

  • Allmän inledning om övervakad maskininlärning och dess tillämpningar inom medicinsk bildbehandling
  • Teoretiska grundbegrepp för artificiella neuronnät (ANN) och djupa neuronnät (DNN): aktiveringsfunktion, kostnadsfunktion, gradient descent-algoritmen, neuronlager
  • Principerna för faltningsneuronnät (CNN) och rekursionsneuronnät (RNN)
  • Kort introduktion till programmering i Python och TensorFlow
  • Segmentering av medicinska bilder med hjälp av CNN inkl. praktiska övningar med TensorFlow
  • Klassificering av medicinska bilder med hjälp av CNN inkl. praktiska övningar med TensorFlow
  • Medicinsk bildanalys med hjälp av RNN inkl. praktiska övningar med TensorFlow
  • Överföringsinlärning (transfer learning) och djupegenskaper (deep features) för medicinsk bildbehandling
  • Nyare framsteg inom metoder för djupinlärning

Lärandemål

Studenten skall efter avslutad kurs kunna:

  • Förklara grundprinciperna för övervakad inlärning som metod för segmentering och klassificering av medicinska bilder
  • Redogöra för den teoretiska bakgrunden till de metoder för djupa neuronnät (DNN) som används inom medicinsk bildbehandling
  • Förklara de vanligen använda arkitekturerna för djupa neuronnät och deras funktion för medicinsk bildbehandling
  • Identifiera praktiska tillämpningar av djupinlärning inom medicinsk bildbehandling.

för att:

  • Kunna förbehandla medicinska bilddata för analys med djupinlärning
  • Kunna implementera, analysera och utvärdera vanliga djupa neuronnät
  • Använda de grundkunskaper som förvärvats inom denna kurs för att skaffa ny kunskap inom området och läsa litteratur inom området.

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet

Kandidatexamen i medicinsk teknik, teknisk fysik, elektroteknik, datavetenskap eller motsvarande. Grundläggande programmeringskunskaper

Engelska B

Rekommenderade förkunskaper

Ingen information tillagd

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

A, B, C, D, E, FX, F

Examination

  • LAB1 - Laboration, 4,5 hp, betygsskala: A, B, C, D, E, FX, F
  • PRO1 - Projektarbete, 3,0 hp, betygsskala: A, B, C, D, E, FX, F
Examinator beslutar, baserat på rekommendation från KTH:s samordnare för funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb CM2003

Ges av

Huvudområde

Medicinsk teknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

Ingen information tillagd