딥러닝을 활용한 의료 영상 처리 & 모델 개발

딥러닝을 활용한
의료 영상 처리 & 모델 개발

#의료딥러닝 #컴퓨터비전 #AI모델구현 #논문리뷰

의료 이미지 분석 및 모델성능 향상을 위한
딥러닝과 지도 & 비지도 학습 핵심 개념 학습하기
딥러닝 기술을 활용하여 의료 영상 처리&분석
주요 Task 실습해보기
글로벌 AI 의료 기업 루닛&뷰노 실무자와 함께 핵심 기술을 파악할 수 있는 기업 논문 리뷰하기

딥러닝을 활용한 의료 영상 처리와 모델 개발

정가~~800,000원~~

할인 금액(-64%) 516,000원

현재 판매가284,000원

월 23,667원

* 12개월 무이자 할부 시

바로 구매하기

기본 정보

· 약 25시간 분량의 딥러닝 기술을 활용한 의료 영상 처리 및 분석 실습
· 글로벌 AI 의료 기업 전문가로부터 배워보는 핵심 의료 AI 기술과 주요 논문 리뷰
· 선수지식 : Python, PyTorch, Scikit-learn
· 라이브러리 : PyTorch, PyTorch Lightning, scikit-learn 그 외

강의 특징/준비물

· 수강료 1회 결제로 평생 소장

생성형 AI 등장으로 더욱 커지고 있는 AI 시장,
그 중 AI 기술이 가장 활발하게 활용되고 있는 산업 분야는

바로 “의료” 입니다.

의료AI, 딥러닝, 머신러닝, 컴퓨터비전, 의료 패러다임, 글로벌 진출 AI, 인구고령화와 AI, 인공지능, 인공지능 빅데이터, 의료기기

특히 진단 분야 AI 기술을 적용한 다양한 서비스와 제품이
실제 의료 현장에서 활발하게 활용되고 있습니다.

그렇다면 AI 기술이 의료 산업 내
진단 분야에서 어떻게 활용되고 있나요?

이렇게 의료 현장에서 실제로 활용되고 있는 AI 서비스 기술을
실무 연구원으로부터 직접 배워볼 수 있다면?

그래서, 준비했습니다!

의료 진단 분야 TOP AI 기업 루닛 & 뷰노의 실무 연구원이 직접 알려주는
의료 AI 기술 활용 노하우와 모델 개발 방법

각 기업의 AI 전문가가 실제 서비스에 활용되고 있는 기술과 모델을 기반으로
다양한 형태의 데이터 전처리부터 의료 문제 해결 방법까지 직접 다룹니다.

강의 핵심 Keyword

Point 1

딥러닝 기술을 활용한
의료 영상 분석 및 처리 Task 프로젝트 실습

딥러닝 기술을 활용하여 다양한 Task를 수행하기 위해
필요한 모델을 학습시켜보고 직접 평가해봅니다.

01 Image load & pre-processing

02 Classification & Regression

03 Segmentation

04 Detection

05 Instance segmentation & Image Enhancement

Point 2

의료 분야 AI 연구원과 함께 살펴보는
AI 의료 진단 기업 주요 논문 리뷰

글로벌 의료 AI 기업 Lunit & Vuno의 AI 전문가가 각각의 기업에서 발표한
대표 논문을 함께 살펴보고 실습을 통해 실무에 적용해볼 수 있습니다.

1. Benchmarking Self-Supervised Learning on Diverse Pathology Datasets

• self-supervised learning이 의료영상에서는 어떻게 동작하는지를 분석한 연구
• 의료영상에서 self-supervised learning을 효과적으로 사용하기 위한 방법론 제안

2. Learning Loss for Active Learning

• 보다 모델의 성능을 높일 수 있도록 효과적으로 데이터를 수집하기 위한 Active Learning의 방법중 하나인 LL4AL에 대해서 소개
• LL4AL은 학습하지 않은 데이터에 대한 모델의 손실을 예측함으로써, 해당 데이터가 얼마나 모델 학습에 도움이 될지를 알려줌

3. Interactive Multi-Class Tiny-Object Detection

• 다양한 종류 (multi-class)의 물체를 검출하는 테스크를 위한 데이터를 수집함에 있어 작은 물체들을 어떻게 하면 효율적으로 시스템과 annotator 가 상호작용하면서 annotation할 수 있는지에 방법을 제안

1. Resource Optimized Neural Architecture Search for 3D Medical Image Segmentation

• 3D medical image segmentation을 위한 Neural Architecture Search(NAS)방법론 연구
• NAS에 필요한 time cost와 GPU computation cost를 줄임

2. Manifold Ordinal-Mixup for Ordered Classes in TW3-Based Bone Age Assessment

• Regression을 위한 loss를 제안 연구
• Manifold Mixup을 적용하여 연속적인 값을 만들어줌

3. Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity

• 당뇨망막병증에 문제인 적은 데이터셋에 대한 방법론을 연구
• 질병을 판독 위하여 semi supervised 기법 중 pseudo label 방법을 활용하여 MICCAI Challenge에 1st로 수상

Point 3

의료 영상 분석 및 모델 성능 향상을 위한
딥러닝과 지도 & 비지도 학습 핵심 개념 학습

실제 의료 영상 처리를 위해 필요한 딥러닝 핵심 개념과 함께
딥러닝 모델의 대표적인 학습 방법인 지도/비지도학습법과 모델 성능 향상을 위한 데이터 처리 방식을 함께 배워봅니다.

어떤 분들이 수강하시면 좋을까요?

커리큘럼

아래의 모든 강의를 초격차 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!

Part1. Deep Learning Basic

01. Machine Learning

• Introduction
• Goal of Machine Learning
• Machine Learning Approaches(실습)
• Google Colab
• (실습) kNN
• (실습) Decision Tree

02. Deep Learning

• Perceptron
• Multi-layer Perceptron
• Backpropagation
• (실습) Deep Learning Frameworks
• (실습) MLP in PyTorch
• (실습) Image Classification Using MLP

03. Convolutional Neural Network

• Convolution Layer
• Advantage of Convolution Layer
• Pooling Layer
• (실습) CNN in PyTorch
• (실습) Torchvision
• (실습) Image Classification Using CNN

04. GAN, RNN, Transformer

• GAN
• (실습) GAN in PyTorch
• RNN(실습) RNN in PyTorch
• Transformer
• (실습) Transformer in PyTorch

Part2. Medical Image Processing Tasks, Applications, and Evaluation metrics

01. Medical image file format

• Introduction
• Digital Imaging and Communications in Medicine (DICOM, NiFti)
• Medical image Visualization (3d Sclier,Qupath)
• Pathology image (Pyramid image)
• (실습) Dicom load 및 meta 데이터 분석
• (실습) Medical image Visualization
• (실습) Pyramid image 파일 처리 및 사용

02. Medical image pre-processing

• Introduction

03. Medical image acquisition

• Radiology - X-ray, CT, MRI
• Pathology
• ETC - Medical image preprocessing
• (실습) Monai,torchio libary 설명
• (실습) Radiology 이미지 전처리
• (실습) Pathology 이미지 전처리

04. Medical image pre-processing

• Introudction
• Medical image classification
• Medical image scoring & regression
• classifcation & regression Evaluation method (kapa, pearson, correlation)
• (실습) medical image classification

05. segmentation

• Introudction
• Medical image segmentation
• Evaluation : (Dice Similarity Coefficient(DSC) - Average Hausdorff Distance (AHD)
• (논문) Resource Optimized Neural Architecture Search for 3D Medical Image Segmentation
• (실습) 3d brain tumuor segmentation inference (brats2020)
• (실습) 3d brain semantic segmentation evaluation (brats 2020)

06. Detection

• Introudction
• Medical image detection 활용분야
• Evaluation (MAP, FROC)
• (논문) nnDetection: A Self-configuring Method for Medical Object Detection
• (실습) medical image detection

07. Instance segmentation

•introduction
•instance segmentation using DL
•(실습) Cell Instance Segmentation

08. image enhancement

• medical image enhancement using DL
• medical image enhancement evaluation
• (논문) CLEAR: Comprehensive Learning Enabled Adversarial Reconstruction for Subtle Structure Enhanced Low-Dose CT Imaging

Part3. Learning Methods

01. Supervised Learning

• Introudction
• supervised labeling
• (실습) medical augmentation
• (논문) Manifold Ordinal-Mixup for Ordered Classes in TW3-Based Bone Age Assessment

02. Weakly Supervised learning

• Introuduction
• label type (noise, scrrible, point)
• weakly sueprvised loss
• Class activation map (CAM)
• Multiple instance learning (MIL)
• 실습 : Class activate map (CAM)

03. Semi-Supervised leaning

• Introduction
• solution (pseudo label)
• solution (consistency regularization)
• solution (self-training)
• medical consistency regularization
• (논문) Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity

04. Unsupervised Learning

• Introduction
• Clustering
• (실습) Hierarchical clustering
• Dimensionality reduction
• (실습) t-SNE
• Autoencoder
• (실습) DAE
• Evaluation

05. Self-supervised Learning

• Introduction
• Contrastive Learning
• Non-contrastive LearningClustering
• SSL with VisionTransformer
• (논문) Big Self-Supervised Models Advance Medical Image Classification
• (논문) Benchmarking Self-Supervised Learning on Diverse Pathology Datasets

Part4. Data-centric AI

01. Data-centric AI

• Introduction

02. Data labeling

• Introduction
• Active Learning
• (논문) Learning Loss for Active LearningInterative Annotation
• (논문) Interactive Multi-Class Tiny-Object Detection

03. Data Valuation

• Introduction
• (논문) Data Shapley: Equitable Valuation of Data for Machine Learning

04. Data augmentation

• What is Data Augmentation?
• Data Manipulation
• Data Synthesis
• (논문) Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology

05. Data visualization

• Introduction
• (실습) FiftyOne

06. Data Retrieval

• Introduction
• (실습) Vector Database

상세커리큘럼 보기

학습규정 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.

총 학습기간:
– 정상 수강기간(유료 수강기간) 최초 1개월(30일), 무료 수강 기간은 31일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
– 본 패키지는 약 26시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일: 수강 시작일은 결제일로부터 기간이 산정되며, 결제를 완료하시면 마이페이지를 통해 바로 수강이 가능합니다. (사전 예약 강의는 1차 강의 오픈일)
– 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.

주의사항 – 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
– 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인 이벤트 적용이 불가할 수 있습니다.
– 커리큘럼은 제작 과정에서 일부 추가, 삭제 및 변경될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 미만, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 이내, 5강 이상 수강 시 전체 강의에서 수강한 강의의 비율에 해당하는 수강료를 차감 후 환불 가능합니다.
– 수강시작 후 7일 초과 시 정상 수강기간 대비 잔여일에 대해 아래 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 환불요청일시 기준 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 환불요청일시 기준 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

root layout