هزینه ثبت نام: | 400,000 تومان |
ظرفیت باقیمانده: | 8 نفر |
زمان: | پنجشنبه 25 اردیبهشت ماه ساعت 8 الی 13 |
مکان: | مجازی |
چگونگی کارکرد یادگیری ماشین و یادگیری عمیق در تصویربرداری پزشکی
یادگیری ماشین در ام آر آی : مروری جامع بر کاربردها و آخرین پژوهشها
یادگیری عمیق در ام آر آی : مروری جامع بر کاربردها و آخرین پژوهشها
دکتر حسین قدیری
دانشیار گروه فیزیک و مهندسی پزشکی دانشگاه علوم پزشکی تهران.
دکتر علی فلاحی
استادیار گروه مهندسی پزشکی، دانشگاه صنعتی همدان
دکتر محمد ناظم زاده
دپارتمان نوروساینس دانشگاه Monash استرالیا
هزینه ثبت نام ۴۰۰ هزار تومان (20 درصد تخفیف دانشجویی)
۱- طبقهبندی مبتنی بر ویژگی در تصاویر MRI:
استفاده از الگوریتمهای سنتی یادگیری ماشین مانند SVM، Random Forests و k-NN به همراه روش های جدید مانند ensemble و Reinforcement Learning برای طبقهبندی دادههای MRI با کاربرد هایی شامل تشخیص تومور، طبقهبندی بافت و شناسایی اختلالات عصبی است.
۲- تکنیکهای کاهش ابعاد ویژگی ها:
بکارگیری روش هایی مانند PCA و ،ICA ، ANOVA برای کاهش دادههای با ابعاد بالا در MRI و fMRI.با هدف شناسایی الگوها در فعالیتهای مغزی، تعیین بیومارکرها یا پیشپردازش دادهها
۳- شناسایی ناهنجاری ها در تصاویر MRI:
تکنیکهای یادگیری بدون نظارت مانند SVM تککلاسی، GMM و SOM برای شناسایی ناهنجاریها در تصاویر MRI با هدف شناسایی بیماریهای نادر یا ناهنجاریهای جزئی در ساختار مغز است.
۴- رادیومیکس در تصاویرMRI:
استخراج ویژگیهای دستی (مانند بافت، شکل، شدت) از تصاویر MRI و استفاده از مدلهای یادگیری ماشین برای همبستگی این ویژگیها با نتایج بالینی با کاربردهایی مانند پیشبینی سرطان و پاسخ به درمان.
۵-کاربرد مدل رگرسیون در fMRI:
پیشبینی متغیرهای پیوسته مانند امتیازات شناختی یا معیارهای رفتاری از دادههای fMRI با استفاده از SVR با کاربردها مانند مطالعه رابطه بین فعالیت مغزی و عملکرد شناختی است.
۶- یادگیری ماشین مبتنی بر گراف در fMRI:
نمایش اتصال مغزی بهعنوان گراف و بهکارگیری الگوریتمهای گرافمحور (مانند خوشهبندی گراف، کرنلهای گراف) برای تحلیل ویژگیهای شبکه های مغزی با کاربردها شامل مطالعه الگوهای اتصال مغزی در اختلالات عصبی است.
فهرست برخی کاربردهای یادگیری عمیق در تصویربرداری عصبی مغز در دانشگاه موناش ملبورن:
۱. آتاکسی فریدریش (TRACK-FA)
استفاده از یادگیری عمیق برای شناسایی بیومارکرهای تصویربرداری در مغز و نخاع.
۲. بخشبندی مخچه در بیماران FA
خودکارسازی بخشبندی مخچه با استفاده از معماری U-Net برای تحلیلهای بالینی.
۳. پیشبینی پیشرفت بیماری آلزایمر
استفاده از شبکههای کانولوشنی سهبعدی (3D CNN) برای پیشبینی تبدیل اختلال شناختی خفیف (MCI) به آلزایمر.
۴. پیشبینی شناختی در آلزایمر
مدلسازی زمانمند کاهش شناختی با استفاده از شبکههای بازگشتی (RNN).
۵. تحلیل سیگنال EEG با یادگیری عمیق
تشخیص صرع، افسردگی و مراحل خواب با استفاده از CNN، LSTM و InceptionTime.
۶. بهبود تصویربرداری MRI و PET با مدلهای فیزیک-آگاه
مدلهای یادگیری عمیق با استفاده از اطلاعات فیزیکی برای افزایش ایمنی و سرعت تصویربرداری
۷. بخشبندی تومور مغزی
استفاده از مدلهای ترکیبی CNN و Vision Transformer برای شناسایی دقیق گلیوما در MRI.
۸. هوش مصنوعی بیولوژیکی (پروژه DishBrain)
یادگیری و تعامل سلولهای مغزی زنده در محیط تراشه به عنوان تحریک بیوالکتریک.
۹. تشخیص آنوریسم در مغز (دانشگاه موناش مالزی)
استفاده از یادگیری تقویتی چندعاملی برای تشخیص آنوریسمهای بدون پارگی در تصویربرداری مغزی.
۱۰. تشخیص ضایعات جدید در MS با هوش مصنوعی
شناسایی و پیگیری ضایعات جدید مولتیپل اسکلروزیس با استفاده از CNN و یادگیری عمیق.
۱۱. افزایش کیفیت MRI میدان پایین (Low-Field) با LoHiResGAN
بهبود تصاویر ۶۴ میلیتسلا با تولید تصاویر مصنوعی کیفیت بالا معادل ۳ تسلا.
۱۲. شناسایی فضاهای اطراف عروقی (PVS)
استفاده از nnU-Net، V-Net، و U-Net++ برای شناسایی خودکار PVS در MRI .