- Allmän inledning om övervakad maskininlärning och dess tillämpningar inom medicinsk bildbehandling
- Teoretiska grundbegrepp för artificiella neuronnät (ANN) och djupa neuronnät (DNN): aktiveringsfunktion, kostnadsfunktion, gradient descent-algoritmen, neuronlager
- Principerna för faltningsneuronnät (CNN) och rekursionsneuronnät (RNN)
- Kort introduktion till programmering i Python och TensorFlow
- Segmentering av medicinska bilder med hjälp av CNN inkl. praktiska övningar med TensorFlow
- Klassificering av medicinska bilder med hjälp av CNN inkl. praktiska övningar med TensorFlow
- Medicinsk bildanalys med hjälp av RNN inkl. praktiska övningar med TensorFlow
- Överföringsinlärning (transfer learning) och djupegenskaper (deep features) för medicinsk bildbehandling
- Nyare framsteg inom metoder för djupinlärning
CM2003 Djupinlärning för medicinsk bildanalys: en praktisk kurs 7,5 hp
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Rubriker med innehåll från kursplan CM2003 (HT 2024–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
Lärandemål
Studenten skall efter avslutad kurs kunna:
- Förklara grundprinciperna för övervakad inlärning som metod för segmentering och klassificering av medicinska bilder
- Redogöra för den teoretiska bakgrunden till de metoder för djupa neuronnät (DNN) som används inom medicinsk bildbehandling
- Förklara de vanligen använda arkitekturerna för djupa neuronnät och deras funktion för medicinsk bildbehandling
- Identifiera praktiska tillämpningar av djupinlärning inom medicinsk bildbehandling.
för att:
- Kunna förbehandla medicinska bilddata för analys med djupinlärning
- Kunna implementera, analysera och utvärdera vanliga djupa neuronnät
- Använda de grundkunskaper som förvärvats inom denna kurs för att skaffa ny kunskap inom området och läsa litteratur inom området.
Kurslitteratur och förberedelser
Särskild behörighet
Avklarat examensarbete 15hp, 25hp matematik, 15hp fysik, 6hp programmering och 5hp ellära/elektronik. Engelska 6/B.
Rekommenderade förkunskaper
Ingen information tillagd
Utrustning
Ingen information tillagd
Kurslitteratur
Ingen information tillagd
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
A, B, C, D, E, FX, F
Examination
- LAB1 - Laboration, 4,5 hp, betygsskala: A, B, C, D, E, FX, F
- PRO1 - Projektarbete, 3,0 hp, betygsskala: A, B, C, D, E, FX, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Möjlighet till komplettering
Ingen information tillagd
Möjlighet till plussning
Ingen information tillagd
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.
Ytterligare information
Kursrum i Canvas
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Huvudområde
Medicinsk teknik
Utbildningsnivå
Avancerad nivå
Påbyggnad
Ingen information tillagd
Kontaktperson
Chunliang Wang (chunwan@kth.se)