Skip to content

Latest commit

 

History

History
58 lines (42 loc) · 5.18 KB

README.md

File metadata and controls

58 lines (42 loc) · 5.18 KB

Minicurso: Aprendizado Profundo para análise de imagens médicas

Repositório para mini-curso Aprendizado Profundo para análise de imagens médicas: dicas, truques e armadilhas

Público-alvo:

Estudantes e pesquisadores que desejam expandir seu conhecimento sobre o uso de IA para processamento de imagens médicas, incluindo aplicações como segmentação, classificação, detecção de imagens médicas e geração de relatórios textuais em variados tipos de imagens, como raios-X, tomografia computadorizada e ressonância magnética, incluindo notebooks com códigos e exemplos práticos.

Resumo e Objetivos:

Neste curso, apresentaremos uma introdução ao campo do aprendizado profundo em imagens médicas, não focando em aplicações específicas, mas explorando muitos casos de uso, como segmentação semântica automatizada, diagnóstico e previsão de desfechos, regressão de informações demográficas, detecção de achados e até geração de texto. O curso será estruturado em três partes principais que resumem o processo de pesquisa na área: entrada, modelo e saída. Em cada parte, passaremos por um resumo teórico seguido de uma demonstração prática hands-on de problemas comuns e os benefícios de seguir certas diretrizes e melhores práticas em geral, muitas derivadas de nossa experiência na área.

Programa do Curso:

  1. Visão geral do aprendizado profundo no processamento de imagens médicas
  2. Garbage in, garbage out
  • Teoria: Diretrizes e armadilhas a serem evitadas para não ter dores de cabeça com dados: da ética à curadoria, organização e armazenamento de dados em um ambiente de laboratório de pesquisa.
  • Prática: pré-processamento e uso dos seus dados. Uma rede neural convolucional pode identificar modalidades de RM?
  1. Modelos: o melhor? Depende
  • Teoria: Como funcionam realmente os modelos baseados em CNN e Transformer?
  • Prática: Modelos multimodais envolvendo imagens e textos médicos.
  1. Processamento e avaliação de saída: dos and don'ts
  • Teoria: Métricas são mais complicadas do que parece.
  • Prática: O Dice não é tudo na avaliação de segmentação de imagens médicas.

Materiais utilizados

Outros materiais interessantes sobre o assunto

Parte 1 - sobre dados

  1. Diaz, Oliver, et al. "Data preparation for artificial intelligence in medical imaging: A comprehensive guide to open-access platforms and tools." Physica medica 83 (2021): 25-37. Link
  2. Carmo, Diedre, et al. "Automated computed tomography and magnetic resonance imaging segmentation using deep learning: a beginner's guide." arXiv preprint arXiv:2304.05901 (2023). Link

Parte 2 - sobre modelos

  1. Vaswani, A. "Attention is all you need." Advances in Neural Information Processing Systems (2017). Link
  2. Tan, Mingxing. "Efficientnet: Rethinking model scaling for convolutional neural networks." arXiv preprint arXiv:1905.11946 (2019). Link
  3. Visualizando CNNs: CNN Explainer Link
  4. Visualizando Transformers: Transformer Explainer Link

Parte 3 - sobre métricas

  1. Maier-Hein, Lena, et al. "Metrics reloaded: recommendations for image analysis validation." Nature methods 21.2 (2024): 195-212. Link Framework
  2. Reinke, Annika, et al. "Understanding metric-related pitfalls in image analysis validation." Nature methods 21.2 (2024): 182-194. Link
  3. Müller, Dominik, Iñaki Soto-Rey, and Frank Kramer. "Towards a guideline for evaluation metrics in medical image segmentation." BMC Research Notes 15.1 (2022): 210. Link
  4. Taha, Abdel Aziz, and Allan Hanbury. "Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool." BMC medical imaging 15 (2015): 1-28. Link

Sobre os organizadores deste curso

Letícia Rittner, PhD - Professora na Faculdade de Engenharia Elétrica e de Computação, UNICAMP LinkedIn Google Scholar

Diedre Carmo, PhD - Pesquisador de pós-doutorado na Faculdade de Engenharia Elétrica e de Computação, UNICAMP LinkedIn Google Scholar

Medical Image Computing Lab (MICLab)