深度學習於醫學影像分析— Deep learning in medical
image analysis
Fall 2022課程綱要
|
授課教師 |
黃冠華教授 辦公室：綜合一館423室 電話：03-5131334 電子郵件：ghuang@nycu.edu.tw |
|
上課時間與地點 |
每星期五13:20-16:30於綜合一館427室 |
|
課程網頁 |
|
|
開課單位 |
統計碩 |
|
永久課號 |
SCIS30031 |
|
學分數 |
3 |
課程概述與目標
機器學習(machine
learning)的最新進展，特別是在深度學習(deep
learning)，對於醫學影像的識別、分類和特徵選取產生了巨大的助益。這些先進的深度學習方法，也從而提高了醫學影像於各種臨床醫療上的應用。
本課程將以實際的醫學影像數據為核心，搭配Python軟體的使用，引導課程參與者接觸並學習：(1)醫學影像原理與處理儲存系統，(2)深度學習方法與原理，以及(3)深度學習方法於特定醫學影像分析上的應用。
課程共分四大主題，分別為：
主題1—單光子電腦斷層掃描(single photon emission computed tomography, SPECT)的多類別分類(multiclass classification)；
主題2—核磁共振造影(magnetic resonance imaging, MRI)的3D影像分析；
主題3—超音波掃描(sonography)於頸動脈分割(segmentation)與血流速度評估；
主題4—X光影像(X-ray)中常見胸部疾病之物件偵測(object
detection)。
原則上，每一主題將以三周的時間完成授課：第一周介紹相關的醫學影像原理與處理儲存系統，第二周說明應用的深度學習方法與原理，第三周則討論深度學習方法於該醫學影像分析主題上的應用與相關方法的Python軟體實作。
上課內容，將廣泛包含所有相關知識，上課時側重講述這些知識的基本觀念與模型解釋。對於深入的理論與其餘詳細資訊，則僅作重點提示或提供參考文獻。課堂中將以實際的例子來補充上課內容，並討論相關方法的Python軟體的實作。
學期成績的評定，則依據繳交的作業(4份)與課程實作計劃報告。我們將結合不同背景的學生組成課程實作計劃工作小組，每一工作小組將各自選定一醫學影像分析或應用議題，針對特定的問題提出解決方案，實作整個醫學影像分析。
課程組成部分
課堂講解
原則上，每星期五13:20-16:30，由授課教師、邀請講者或課程助教，進行相關內容的講解。每一課程主題第一周的醫學影像原理介紹，會由義守大學 醫學影像暨放射科學系 陳泰賓教授主講，第二周的深度學習方法，則由陽明交通大學 統計學研究所 黃冠華教授授課，第三周的醫學影像分析應用與Python軟體實作，則由上述兩位教授與課程助教共同講解。
上課內容，將廣泛包含所有相關知識，上課時側重講述這些知識的生成動機、基本觀念與模型解釋。對於深入的理論與其餘詳細資訊，則僅作重點提示或提供參考文獻。期盼日後當學生獨立進行醫學影像分析時，這些廣泛的知識，能增廣他們思考問題的角度，並成為眾多他們可選擇的解決方案。若要進行更深入的模型研究與理論推導時，則知道要從何下手與到何處去找尋相關的輔助資訊。
課前、課後的自行閱讀、自行學習
課堂講解會廣泛包含所有相關主題，側重觀念的講述。補充與衍生內容，則會提供相關來源與網路連結，要求學生於課前或課後自行閱讀。又由於醫學影像分析領域的蓬勃發展，相關開放課程、分析方法、分析工具、成果應用、開放資料、…等遍佈於網路，因此同學們則常需要（或可以）自行學習新的軟體、工具，並吸收新的知識、應用。注意，許多網路連結與文件是以英文撰寫，英文閱讀的能力將會非常重要。
作業
每一主題課程完成後，將會提供該主題的醫學影像數據，讓學生練習影像的清理、存取；資料、結果的視覺化；如何運用正確、新穎的深度學習方法。作業的目的在學習實作深度學習方法，並且測試你對課堂內容的理解程度。把寫作業視為一個學習的機會，而不是為了要賺取分數。
由於大部份的作業問題，會須要以Python軟體來進行實作、分析，因此要求同學們的作業要以jupyter (https://jupyter.org/)的格式來撰寫。jupyter能將你的文字說明、數學式子、Python程式、Python執行結果、…等，結合成一個文件，如此將易於他人閱讀與重製(reproduce)你的分析。
你可與其他同學討論作業，以幫助理解所問的問題、釐清課程概念。但是你必須獨立完成所繳交的作業，作業中要求寫的電腦程式、跑的資料分析、解釋的分析結果，都不可與他人共同合作。
課程實作計劃
修課學生須完成一份醫學影像分析的計劃，其目的在讓你能就一個所關心或有興趣的醫學影像(可以是課堂上提供的或自行取的資料)，運用所學的方法與技術，從問題形成、資料來源確認、資料搜集、儲存與整理、模型建立與分析、結果呈現、說明與視覺化，實作整個醫學影像分析計畫，以一窺醫學影像分析的全貌。
每份計劃報告將由最多4位修課同學共同完成，成員期盼能結合不同專業背景（統計、資工、其他專業知識領域）。每一報告工作小組，將各自選定一個所關心或有興趣的醫學影像分析或應用議題。學期中，每個組員將先就計畫主題（包含：描述問題、預計如何回答），各自繳交一份書面報告。學期末，整個工作小組將就計劃的：問題（目的為何？想預測或估計什麼？）、資料（那裡來的？看起來像什麼？）、分析模型、結果（新發現、與聽眾溝通、視覺化），進行15分鐘的口頭報告，與繳交最終書面報告。
先修科目或先備能力
1.
有寫電腦程式的經驗
l 像：C, C++, Java, Python, R,…
2.
最好修過基礎統計學
l 知道：隨機變數、信賴區間、假設檢定、…
3.
願意學習新的軟體、工具
l 常會非常花時間
l 要大量閱讀網路上的文件
l 閱讀許多英文文件
課程實作軟體與教科書
本門課將會以Python軟體(https://www.python.org/)，來當作分析實作的工具。因此不論演習課助教講解與作業問題，皆會以Python軟體的操作與撰寫為基礎。同學們的作業要以jupyter (https://jupyter.org/)的格式來撰寫，以利於將你的文字說明、數學式子、Python程式、Python執行結果、…等，結合成一個文件，方便他人閱讀與重製你的分析。
本門課雖無指定、必須購買的教科書，然相關的自行閱讀、補充教材內容，將出自以下幾本參考書籍：
1.
Goodfellow I, Bengio Y, Courville A (2016):
Deep learning. The MIT Press. (DL) 這本書的相關訊息，可從以下連結獲得：https://www.deeplearningbook.org/
2.
Zhou SK, Greenspan H, Shen D (editors) (2017): Deep Learning for Medical
Image Analysis. Academic
Press. (DLMIA)
3.
Hastie T, Tibshirani R, Friedman J (2009):
The Elements of Statistical Learning (2nd edition).
Springer. (ESL) 這本書是「機器學習方法」的主要參考書目。
本課程所有上課投影片與相關補充資料，還有用以執行實際分析例子的Python程式，都將會公佈於課程網頁。
學期成績評分方式
學期成績的計算方式為：
1.
作業：60%（根據個人繳交之作業）
2.
實作計劃期中報告：10%（根據個人繳交之書面報告）
3.
實作計劃期末報告：30%（根據整個工作小組的報告）