FDD3020 Djupinlärning för biomedicinsk bildanalys 7,5 hp

• Allmän introduktion
• Översikt över biologiska och medicinska avbildningsmetoder och forskning / kliniska tillämpningar
• Snabb introduktion till PyTorch
• Utmaningar inom biomedicinsk bildhantering och kuration
• Detektion / segmentering / bildklassificering för biomedicinska bilder
• Överför lärande och generalisering
• Utvärderingsmetodik
• Oövervakat lärande i biomedicinsk bildanalys
• Generativa modeller och omvända problem
• Övriga ämnen (3D-modeller, tidsmässig, registrering, grafomvandling)

Kursupplägg

Kursen består av vanliga föreläsningar (blandade videoföreläsningar och traditionella) och programmeringslaboratoriska sessioner. Under programmeringssessionerna kommer eleverna att arbeta med övningar som motsvarar varje modul och ett slutprojekt i slutet av kursen.

Kurslitteratur

Ingen.

Utrustningskrav

Ingen.

Efter genomförd kurs ska studenten kunna:

• Identifiera grundläggande begrepp, terminologi, teorier, modeller och metoder för biomedicinsk bildanalys med hjälp av djup inlärning
• Karaktärisera de unika utmaningar som är förknippade med olika typer av biomedicinsk bilddatamodaliteter
• Beskriv och implementera de vanligt använda arkitekturerna för djupa neurala nätverk som används för biomedicinsk bildanalys.
• Utveckla och systematiskt testa ett antal metoder för biomedicinsk bildanalys med hjälp av djup inlärning
• Välj lämpliga utvärderingsmetoder för att utvärdera prestandan för djupa inlärningsmodeller för biomedicinska bildanalysproblem
• Identifiera begränsningar för metoderna som behandlas i kursen

för att:

• Sortera biomedicinsk bilddata för användning i metoder för djup inlärning
• Implementera, analysera och utvärdera biomedicinska bildanalyssystem med hjälp av djupa neurala nätverk
• Använd den kunskap som förvärvats i kursen läs och lönas av litteratur i området

Master i ingenjörsfysik, elektroteknik, datavetenskap eller motsvarande. Python-programmeringskunskap. Studenten ska genomföra forskning på doktorandnivå inom datorsyn / maskininlärning eller ett relaterat fält.

DD2424 Djupinlärning i Data Science (eller likvärdig)

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

• EXA1 - Skriftlig tentamen, 7,5 hp, betygsskala: P, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

LAB1 - Laborationsarbete, 4,5 hp, betygsskala: P / F
EXA1 - Examen, 3,0 hp, betygsskala: P / F

Slutförande av LAB1, PRO1 och online frågesporter.

Kevin Smith

• 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.