Hoppa till huvudinnehållet

FDD3020 Djupinlärning för biomedicinsk bildanalys 7,5 hp

Kursen ger en försiktig introduktion till biomedicinsk bildanalys, från teoretiska grunder till applikationer, och undersöker sedan hur djupa inlärningsmetoder kan tillämpas för att lösa dessa problem.

Välj termin och kursomgång

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

Rubriker med innehåll från kursplan FDD3020 (VT 2020–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

  • 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.

Lärandemål

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

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet

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

Rekommenderade förkunskaper

DD2424 Djupinlärning i Data Science (eller likvärdig)

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

P, F

Examination

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

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

Övriga krav för slutbetyg

Slutförande av LAB1, PRO1 och online frågesporter.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Profile picture Kevin Smith

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 FDD3020

Ges av

EECS/Beräkningsvetenskap och beräkningsteknik

Huvudområde

Ingen information tillagd

Utbildningsnivå

Forskarnivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Kevin Smith (ksmith@kth.se)

Forskarkurs

Forskarkurser på EECS/Beräkningsvetenskap och beräkningsteknik