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

Nowość

Promocja

Jolanta Podolszańska

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%)

149,00 zł najniższa cena z 30 dni Dodaj do koszyka

Do przechowalni

Korzyści:

Certyfikat ukończenia
Materiały dodatkowe do kursu
Test online
Dożywotni dostęp
Dostęp w aplikacji (także offline)

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 duĹĽymi zbiorami danych obrazowych i wdroĹĽenie modeli w praktyce

00:26:34

9. Podsumowanie 00:09:54

9.1. PrzyszĹ,e kierunki rozwoju w obszarze AI i Computer Vision w medycynie i projekt wĹ,asnego pipeline

00:08:57

9.2. Test koĹ'cowy

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.

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.