ODBIERZ TWÓJ BONUS :: »

Sztuczna inteligencja w medycynie. Kurs video. Analiza obrazów medycznych z użyciem AI

Podstawowe informacje:
Czas trwania: 05:31:19
Autor: Jolanta Podolszańska
Liczba lekcji: 19
Dla firm
Rozwiń umiejętności swoich pracowników dzięki kursom video
Dowiedz się więcej
  • Monitorowanie postępów pracowników. Przejrzyste raporty i imienne certyfikaty ukończenia kursów
  • Atrakcyjne rabaty dla zespołów. Im więcej pracowników liczy zespół, tym większy uzyskasz rabat
  • Doradztwo w wyborze tematyki szkoleń. Mamy setki kursów, dostosujemy program nauczania pod Twój zespół
Indywidualnie
126,65 zł 149,00 zł (-15%)
39,90 zł najniższa cena z 30 dni Dodaj do koszyka
Korzyści:
  • Certyfikat ukończenia
  • Materiały dodatkowe do kursu
  • Test online
  • Dożywotni dostęp
  • Dostęp w aplikacji (także offline)
  • Napisy w języku polskim
Ścieżki rozwoju w helion.pl

Czego się nauczysz?

  • Pracy z plikami DICOM w Pythonie (wczytywanie, zapisywanie, przeglądanie)
  • Struktury plików DICOM i ich zastosowania w TK, RM i RTG
  • Operacji na metadanych obrazów medycznych
  • Pracy z danymi w formatach CSV, JSON i Excel
  • Integracji danych obrazowych z informacjami klinicznymi
  • Czyszczenia danych i przygotowywania ich do analizy
  • Używania biblioteki pandas do analizy danych
  • Przetwarzania obrazów medycznych
  • Tworzenia modeli uczenia maszynowego
  • Ekstrakcji cech z obrazów do uczenia modeli
  • Budowy i trenowania sieci neuronowych w PyTorch
  • Pracy z tensorami i przyspieszania obliczeń z użyciem CUDA
  • Użycia PyTorch Lightning do organizacji treningu modeli
  • Budowy konwolucyjnych sieci neuronowych (CNN)
  • Zastosowania architektur takich jak ResNet i U-Net
  • Trenowania modeli do klasyfikacji zmian chorobowych
  • Segmentacji struktur na obrazach medycznych
  • Detekcji obiektów na obrazach TK/RM
  • Korzystania z technik Grad-CAM i explainable AI (XAI)
  • Zasad bezpiecznego wdrażania AI w medycynie
  • Pracy z dużymi zbiorami danych obrazowych
  • Optymalizacji pipeline’u analitycznego i treningowego
  • Przygotowywania modeli do wdrożenia w praktyce klinicznej
  • Strojenia hiperparametrów modeli
  • Porównywania skuteczności różnych architektur
  • Zbierania i analizy metryk jakości modeli
  • Projektowania pełnego pipeline’u – od DICOM do klasyfikatora
  • Rozpoznawania kierunków rozwoju AI w medycynie i obrazowaniu
  • Zasad współpracy w zespołach badawczych i klinicznych

Spis lekcji

1. Wstęp 00:18:28
1.1. O kursie
00:06:18
1.2 Instalacja i konfiguracja środowiska
00:12:10
2. Przygotowanie danych do modelowania 01:25:48
2.1. Podstawowe informacje o standardzie DICOM
00:11:10
2.2. Operacje na plikach w standardzie DICOM
00:28:41
2.3. Podstawy pracy z plikami CSV, JSON, Excel zawierających metadane obrazów
00:21:54
2.4. Podstawy integracji z bazą danych
00:24:03
3. Czyszczenie i przetwarzanie danych tabelarycznych i obrazowych 00:22:19
3.1. Podstawowe operacje przetwarzania danych tekstowych i obrazowych
00:22:19
4. Uczenie maszynowe w Pythonie 00:43:09
4.1. Tworzenie prostych modeli ML w Pythonie
00:43:09
5. Sieci neuronowe z PyTorch i Pytoch Lightning 00:29:26
5.1. Zapoznanie z pojęciem sieci neuronowych i frameworkiem Pytorch Lightning
00:29:26
6. Konwolucyjne sieci neuronowe (CNN) 00:39:17
6.1. Strojenie hiperparametrów sieci
OGLĄDAJ » 00:08:33
6.2. Architektura sieci CNN
00:14:01
6.3. Sieci ResNet i U-Net
OGLĄDAJ » 00:04:33
6.4. Ćwiczenie: trening modelu klasyfikacji zmian chorobowych na przykładzie zbioru danych APTOS
00:12:10
7. Segmentacja, detekcja obiektów i interpretowalność 00:56:24
7.1 Segmentacja obrazów medycznych
00:19:42
7.2. Wizualizacja aktywacji warstw, Grad-CAM.
00:14:54
7.3. Metody interpretacji i wyjaśnialności (Explainable AI) i zasady bezpiecznego wdrażania AI w medycynie
00:21:48
8. Analiza większych zbiorów danych i wdrożenia 00:26:34
8.1. Praca z dużymi zbiorami danych obrazowych i wdrożenie modeli w praktyce
00:26:34
9. Podsumowanie 00:09:54
9.1. Przyszłe kierunki rozwoju w obszarze AI i Computer Vision w medycynie i projekt własnego pipeline
00:08:57
9.2. Test końcowy
00:00:57

Obierz kurs na... sztuczną inteligencję w medycynie

Sztuczna inteligencja w medycynie, szczególnie w rozpoznawaniu obrazów medycznych, to najszybciej rozwijająca się dziedzina informatyki medycznej. AI stosowana do analizy obrazów z tomografii komputerowej (TK) czy rezonansu magnetycznego (RM) coraz skuteczniej wspiera lekarzy, którym pomaga stawiać precyzyjne diagnozy i podejmować trafne decyzje kliniczne. Ważną rolę w tym procesie odgrywają biblioteki takie jak Pydicom, umożliwiające sprawną obsługę standardu DICOM – podstawy obrazowania medycznego. Z kolei frameworki: PyTorch, PyTorch Lightning czy TensorFlow, pozwalają na tworzenie zaawansowanych sieci neuronowych, które potrafią automatycznie wykrywać zmiany chorobowe na obrazach. Za sprawą rosnącej integracji AI z medycyną powstają wyjątkowe możliwości zawodowe dla osób łączących wiedzę techniczną z medyczną. Praca w tej branży daje szansę na udział w przełomowych projektach, które realnie ratują życie i podnoszą jakość opieki zdrowotnej. Dynamiczny rozwój technologii sprawia, że zapotrzebowanie na ekspertów stale rośnie, a współpraca z czołowymi ośrodkami badawczymi i firmami technologicznymi przynosi cenne doświadczenia. Dlatego kariera związana ze sztuczną inteligencją i z obrazowaniem medycznym to doskonały wybór dla tych, którzy chcą łączyć nowoczesne technologie z realnym wpływem na zdrowie ludzi. Dzięki inwestycji w rozwój kompetencji w tym obszarze można się stać częścią innowacyjnej rewolucji, która nieustannie zmienia oblicze medycyny.

Sztuczna inteligencja w medycynie. Kurs video. Analiza obrazów medycznych z użyciem AI pozwoli Ci kompleksowo pracować z obrazami medycznymi w formacie DICOM, od ich wczytania aż po zaawansowaną analizę. Opanujesz techniki przygotowywania i oczyszczania danych, które są niezbędne do skutecznego trenowania modeli sztucznej inteligencji. Zbudujesz własny pipeline analizy obrazów medycznych, używając Pythona i frameworków PyTorch czy Tensorflow. Poznasz metody segmentacji i detekcji obiektów, które pozwolą Ci precyzyjnie wykrywać zmiany chorobowe na obrazach. Nauczysz się trenować konwolucyjne sieci neuronowe, a także oceniać jakość modeli za pomocą odpowiednich metryk. Dzięki praktycznym case study zyskasz doświadczenie, które od razu wykorzystasz w projektach badawczo-wdrożeniowych lub pracy w med-tech. Po ukończeniu kursu samodzielnie poradzisz sobie z preprocessingiem danych i wdrożysz pierwsze modele AI do analizy medycznych obrazów. Rozwiniesz podstawy, które pozwolą Ci dalej zgłębiać tematy związane z explainable AI, segmentacją 3D czy integracją modeli z systemami klinicznymi. Zdobyta wiedza otworzy przed Tobą drzwi do pracy w dynamicznie rozwijającej się branży informatyki medycznej i data science w ochronie zdrowia. To idealny kurs, jeśli chcesz się stać ekspertem AI w medycynie i mieć realny wpływ na poprawę diagnostyki i opieki zdrowotnej.

Każdy ekspert kiedyś zaczynał. Jeśli stawiasz pierwsze kroki w AI w medycynie – jesteś we właściwym miejscu. Zaczynamy od podstaw, ale celujemy wysoko.

Wybrane bestsellery

O autorze kursu video

Jolanta Podolszańska – badaczka i dydaktyczka związana z Uniwersytetem Jana Długosza w Częstochowie, gdzie prowadzi zajęcia z zakresu informatyki i sztucznej inteligencji w medycynie. Specjalizuje się w zastosowaniach głębokiego uczenia i analizy obrazów w diagnostyce klinicznej ze szczególnym uwzględnieniem danych DICOM i rekonstrukcji tomograficznej. Prowadzi zajęcia dydaktyczne na kierunku medical engineering (specjalność AI in medical diagnostics), w ich ramach przygotowuje studentów do praktycznego zastosowania metod sztucznej inteligencji w ochronie zdrowia. Jej doświadczenie obejmuje zarówno przetwarzanie obrazów, jak i budowę, a także wdrażanie modeli klasyfikacyjnych, segmentacyjnych i wyjaśnialnych (explainable AI). Na co dzień aktywnie uczestniczy w projektach badawczo-wdrożeniowych, tworzy własne narzędzia do rekonstrukcji i wizualizacji danych medycznych, prowadzi również warsztaty i prezentacje popularyzujące tematykę AI w diagnostyce medycznej. W pracy dydaktycznej łączy pasję do nauki z praktyką kliniczną. Po godzinach pasjonuje się popularyzacją nauki, szczególnie w obszarze medycyny i nowych technologii. W wolnym czasie chętnie projektuje warsztaty edukacyjne lub spaceruje po górach.

Oceny i opinie klientów: Sztuczna inteligencja w medycynie. Kurs video. Analiza obrazów medycznych z użyciem AI Jolanta Podolszańska (5)

Informacja o opiniach
Weryfikacja opinii następuje na podstawie historii zamowień na koncie Użytkownika umiejszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniającej do uzyskania rabatu w ramach Programu Kadr.
3.8
  • 6 (2)
  • 5 (1)
  • 4 (0)
  • 3 (0)
  • 2 (0)
  • 1 (2)
  • bardzo ciekaw temat

    Opinia: anonimowa Opinia dodana: 2025-12-30 Ocena: 6   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Obejrzałem ten kurs i byłem bardzo pozytywnie zaskoczony. Sięgnąłem po niego raczej z ciekawości, bez wielkich oczekiwań, a okazał się jednym z sensowniejszych materiałow o AI w medycynie, jakie do tej pory widziałem. Widać, że to nie jest przypadkowa kompilacja tematow, tylko przemyślany materiał. Duży plus za praktyczne podejście. Kurs zaczyna się od pracy z danymi medycznymi (dicom, informacje kliniczne), a potem naturalnie przechodzi do budowy i oceny modeli. pandas i pytorch są używane na realnych przykładach z obrazow TK, RM i RTG, a nie na sztucznych demo. Bardzo dobrze wypadają moduły o cnn, resnetach i unetach, a także segmentacja, detekcja obiektow i xai. Wszystko jest pokazane w kontekście medycznym, bez spłycania tematu i bez udawania, że to magia. Widać zrozumienie zarowno strony technicznej, jak i klinicznej. Jeśli miałbym się do czegoś przyczepić, to może momentami tempo jest nierowne i dźwięk mogłby być lepszy a temat wdrażania modeli do praktyki klinicznej mogłby być rozwinięty trochę szerzej. To jednak drobnostki.

    Rozwiń »
    Opinia: mglebowski Opinia dodana: 2025-12-29 Ocena: 6   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Kurs trochę krotki, ale daje zachętę na dalsze pogłębianie wiedzy z zakresu AI

    Opinia: anonimowa Opinia dodana: 2025-12-31 Ocena: 5   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Czy ten kurs został poddany jakiejkolwiek recenzji? To najgorszy jaki do tej pory widziałem. Obejrzałem ten kurs z ciekawości na platformie biblio i czuję się zobowiązany do podzielenia się opinią, tym bardziej, że nie przewidziano tam możliwości wystawienia recenzji. Już na poziomie podstawowym widać liczne oznaki nieuczciwej automatyzacji: opis kursu został wygenerowany przez LLM, podobnie jak notatniki i kody źrodłowe, wraz z komentarzami, ktore w trakcie nagrywania "w locie" są usuwane przez autorkę. Wiele lekcji nie wnosi żadnej realnej treści: są to nagrania, w ktorych autorka mowi dużo, ale kwestie merytoryczne, stanowiące sedno kursu ogranicza do pojedynczych zdań (np. w temacie interpretowalności pada jedynie lakoniczne jest coś takiego jak SHAP, mimo że nagranie trwa kilkadziesiąt minut). Zamiast praktycznych ćwiczeń autorka przewija nieuruchamiane notatniki Jupyter i lakonicznie komentuje fragmenty automatycznie wygenerowanego kodu. Dodatkowo, autorka bywa nieprecyzyjna w terminologii, miesza środowiska pracy (VS Code, Spyder, Colab), co wprowadza znaczny chaos, a w jednym z nagrań o bazach danych poświęca większość czasu na prezentację modelu ISO/OSI, zaledwie zdawkowo nawiązując do właściwego tematu. Całemu kursowi towarzyszą też liczne problemy techniczne: bardzo nierowne poziomy audio, szumy, zmienna jakość audio, a slajdy zawierają tabele tak małe i tak słabo powiązane z narracją, że trudno traktować je jako realne wsparcie dydaktyczne. Na szczegolnie krytyczną uwagę zasługuje rownież styl wypowiedzi autorki: używanie określeń typu obrzydliwe (w rożnych stopniach) w odniesieniu do patologicznych zmian skornych jest w kontekście materiału medycznego zachowaniem nieetycznym, nieprofesjonalnym i wręcz ordynarnym. Największym problemem pozostaje jednak to, że kurs w praktyce nie tłumaczy istoty podejścia ani do analizy danych, ani do uczenia maszynowego, ani do zastosowań tych tematow w domenie medycznej. W 90% jest to ogolny kurs o sieciach neuronowych, a odniesienia do medycyny są powierzchowne, często oderwane od kontekstu. Nawet tak fundamentalne elementy jak architektury sieci neuronowych omawiane są po jednym zdaniu, a strojenie hiperparametrow sieci pojawia się zanim w ogole wyjaśniono, z czym te architektury się wiążą. Całość sprawia wrażenie materiału niespojnego i chaotycznego do tego stopnia, że osoba początkująca prawdopodobnie nie wyniosłaby z niego żadnej wiedzy ani o technologiach AI, ani tym bardziej o zastosowaniach w medycynie, poza przypadkowo wspomnianymi pojęciami technicznymi. Kurs ten jest rażąco nieadekwatnym do ceny. Nie spodziewałem się po Videopoint aż takiej wpadki

    Rozwiń »
    Opinia: anonimowa Opinia dodana: 2025-12-26 Ocena: 1   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Niestety, ale z tego kursu niczego nie mozna sie dowiedziec...

    Opinia: anonimowa Opinia dodana: 2025-12-26 Ocena: 1   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
więcej opinii »

Szczegóły kursu

Dane producenta » Dane producenta:

Helion SA
ul. Kościuszki 1C
41-100 Gliwice
e-mail: gpsr@helion.pl
Format: Online
Data aktualizacji: 2025-12-23
ISBN: 978-83-289-2938-8, 9788328929388
Numer z katalogu: 265203

Videopoint - inne kursy

Kurs video
126,65 zł
Dodaj do koszyka
Zamknij Pobierz aplikację mobilną Helion