医学图像分析  081104M05004H

学期:2020—2021学年(春)第二学期 | 课程属性:专业普及课 | 任课教师:何晖光,刘勇
授课时间: 星期三,第10、11、12 节
授课地点: 教一楼109
授课周次: 2、3、4、5、6、7、8、9、10、11、12、13、14
课程编号: 081104M05004H 课时: 40 学分: 2.00
课程属性: 专业普及课 主讲教师:何晖光,刘勇 助教:
英文名称: Medical Image Analysis 召集人:

教学目的、要求

医学影像分析的基本思路是将模式识别与图像处理的技术应用在医学影像上,并结合临床信息加以综合分析,其目的是为了找到与特定疾病相关的影像学参数,从而辅助医生早期发现、辅助诊断和预后评估。2017年7月,国务院印发《新一代人工智能发展规划》,其中 “智能医疗”是其中的一个重要应用方向。
本课程为控制科学与工程、计算机科学、生物医学工程、模式识别与智能系统等学科研究生的专业普及课,其目的是使学生初步掌握医学图像分析的基本内容,并了解其应用领域。
本课程聚焦医学图像分析的基本方法,对学生的要求包括:熟练掌握医学图像处理的基本方法和常用模型和算法,包括CT,MRI的成像原理,医学图像分割、配准、三维重建及可视化、脑功能分析、脑网络分析等的主要思路和方法,以及机器学习、深度学习等方法在计算机辅助诊断和预后评估等方面的应用。通过讲授使学生掌握对主流医学图像处理与分析领域的科研动向,最新技术,对医学图像分析的不同领域的应用有初步了解。培养研究生的研究性学习能力,开阔眼界,为将来的研究与应用打好基础。

预修课程

图像处理、信号与系统

教 材

《医学成像与医学图像处理教程》田捷,代晓倩,杨飞编著,清华大学出版社,2013 
《医学成像系统(第2版)》,高上凯著,清华大学出版社,2010

主要内容

第一章: 绪论   (3学时)
1.1 现代影像技术简介
1.2 医学成像分析的发展历程
1.3 课程内容概述
1.4 医学影像相关的资源
第二章:医学成像设备原理 (3小时)
2.1 X光成像原理介绍
2.2 B超成像原理介绍
2.3 CT成像原理介绍
2.4 MRI fMRI成像原理介绍
2.4 DTI 成像原理介绍
第三章:医学图像配准 (4学时)
3.1 医学图像配准的基本概念和方法
3.2 医学图像配准框架
3.3 二维图像配准方法
3.4 2D-3D图像配准方法
3.5 基于深度学习的配准
第四章:医学图像分割 (5学时)
4.1 医学图像分割的概念及评价方法
4.2 基于高斯混合模型的分割方法
4.3 基于形变模型的分割方法
4.4 基于多图谱的分割方法
4.5 基于深度学习的分割方法
第五章:三维医学图像重建及可视化 (3学时)
5.1 医学图像三维重建方法
5.2 医学图像可视化方法-面绘制
5.3 医学图像可视化方法-体绘制
第六章:形状分析 (3学时)
6.1 形状的表示与建模
6.2 统计形状模型
6.3 基于体素、形变场的形态学分析
6.4 形状分析在疾病分类中的应用
第七章:基于神经信息编解码的类脑模型 (3学时)
7.1 视觉信息编解码
7.2 基于fMRI和EEG的视觉图像重建
7.3 基于神经信息编解码的类脑模型
第八章:fMRI数据处理     (3学时)
8.1 HCP总体介绍
8.2 基于Block 设计的任务数据及处理
8.3 基于事件相关设计的功能数据研究
8.4 静息态功能磁共振数据处理的方法 
第九章:脑网络处理与分析  (3学时)
9.1 脑网络基本测度与方法
9.2 基于脑网络在疾病分类和预测中的应用
第十章:影像大数据分析及应用(6学时)
10.1计算机辅助诊断的一般流程
10.2 传统模式识别方法在医学图像识别研究中的应用
10.3 医学影像中神经网络的基本概念及应用 (RBM, CNN, RNN, GAN)
10.4 深度神经网络在医学影像辅助诊断中的应用
10.5深度学习算法在医学图像识别的应用研究
10.6深度学习算法在医学图像预测模型研究
10.7 模式识别在多模态磁共振影像领域中的问题与挑战
第十章: 课程报告 (4学时)

参考文献

1.Meyer-Baese A, Schmid VJ. Pattern Recognition and Signal Analysis in Medical Imaging. Oxford: Academic Press; 2014.
2.Kevin Zhou, Medical Image Recognition, Segmentation and Parsing: Machine Learning and Multiple Object Approaches (The Elsevier and MICCAI Society Book Series) 1st Edition
3.S. Kevin Zhou and Hayit Greenspan ,Deep Learning for Medical Image Analysis, 2017
4.Guorong Wu, Dinggang Shen and Mert Sabuncu , Machine Learning and Medical Imaging, Academic Press 2016