深度學習於醫學影像分析— Deep learning in
medical image analysis
Fall 2025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 |
每星期一13:20-16:30於綜合一館A304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(3D image analysis)；
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。
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5份作業。
課程組成部分
課堂講解
原則上，每星期一13:20-15:10 (前兩節課)，由授課教師(或邀請講者)講授相關知識與方法，15:30-16:20 (第三節課)，則由課程助教帶領同學進行相關方法的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
第一份作業將分析一筆「手寫郵遞區號數字」資料，讓同學以Python軟體來實作傳統的類神經網路(neural networks)模型，也藉此熟悉Python軟體的運作。接著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。
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。所有作業將會以「Kaggle資料競賽」的形式進行，會要求同學們將作業結果上傳至Kaggle平台(https://www.kaggle.com/)，最後將以同學們在競賽上的成績和排名作為評分的依據。
從這學期起，我們把課程作業程式撰寫的模式，從純手寫Python轉向結合ChatGPT工具輔助，讓學生一邊學技術、一邊學習如何與AI協作。這樣不僅可以降低入門門檻，也能讓學生更專注在方法理解與結果分析上。詳細的作法，請參閱附件：「1 學生ChatGPT使用指南.pdf」、「2 醫學影像分析課程Prompt指南表.pdf」、「3 AI協作歷程詳細步驟.pdf」、「4 AI協作作業範本.pdf」。
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，將依據繳交的5份作業：
1.
第一份作業(類神經網路模型實作)：10%
2.
第二份作業(單光子電腦斷層掃描的多類別分類)：20%
3.
第三份作業(核磁共振造影的3D影像分析)：20%
4.
第四份作業(超音波掃描於頸動脈分割與血流速度評估)：20%
5.
第五份作業(X光影像中常見胸部疾病之物件偵測)：30%
—
這份作業將以「計劃書面報告」的形式繳交，內容詳述分析的：問題(目的為何？想預測或估計什麼？重要性？)、資料來源(公用資料庫下載、實驗室資料或自行搜集？)與背景、分析流程(分析方法、模型、視覺化手法、…)、結果(新發現、與觀眾溝通、視覺化)。