机器学习在医学成像处理中的应用

Algorithm and Modeling Method in Biomedical Imaging

　　课题背景

　　随着成像技术的发展，我们从微观视角下中提取信息的能力越来越强，而这些信息在基础生物医学研究和越来越多的临床应用中发挥着越来越重要的作用。生物医学成像技术利用x射线(CT扫描)、声音(超声)、磁性(MRI)、放射性药物(核医学:SPECT、PET)或光(内窥镜、OCT)来评估器官或组织的当前状况， 并可以对患者进行持续监测，对后续进行的诊断和治疗评估有重大意义。

　　在此背景下，我们需要利用自动图像分析方法从这些庞大而复杂的数据集中提取定量信息，减少临床的工作量同时，提高诊断的准确度。例如，此类算法可用于计算给定组织学切片中的细胞数量。在更先进的应用中，有很多算法可以帮助医生评估诊断某些疾病，如黑色素瘤，乳腺肿块等等。

　　课题内容

　　本课程将介绍计算机视觉和机器学习在医学图像中的应用。将在真实的数据集中使用一组具体应用这些方法。

　　课程将会涵盖生物成像和计算病理学提供简要的背景知识，并通过传统机器学习以及神经网络深度学习的方法提取特征对图像进行分割，追踪，并进一步分类。该课程涉及话题：机器学习，深度学习，卷积神经网络，计算机视觉，图像处理。

　　适合人群对成像处理感兴趣的高中生，本科生

　　修读数学、计算机等专业，以及未来希望在工业自动化、文字及图纸的读取、医疗、交通及遥感图像处理等领域从业的学生

　　具备Python，数值计算基础的本科生优先;具备相关基础知识的高中生也可以选择

　　教授介绍  Jens Rittscher  牛津大学工程学终身教授

　　(1)同时任职于牛津大学生物医药工程研究所和纳菲尔德医学系

　　(2)牛津大学Target Discovery研究所生物医药成像研究组主任

　　(3)前通用电气全球研究中心研究员/项目经理

　　(4)美国伦斯勒理工学院客座教授

　　(5)论文引用累积4424次，h指数30，i10指数55

　　课程安排与收获10周在线小组科研(总课时72小时)

　　网申推荐信

　　学术评估报告

　　项目成绩单

　　论文成果