آموزش یادگیری عمیق با PyTorch برای تجزیه و تحلیل تصویر پزشکی

Deep Learning with PyTorch for Medical Image Analysis

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: یاد بگیرید که چگونه از Pytorch-Lightning برای حل وظایف تصویربرداری پزشکی در دنیای واقعی استفاده کنید! یاد بگیرید چگونه از NumPy استفاده کنید اصول تئوری یادگیری ماشین کلاسیک را بیاموزید مبانی قالب‌های داده تصویربرداری پزشکی در تصویربرداری پزشکی ایجاد شبکه‌های عصبی مصنوعی با PyTorch استفاده از PyTorch-Lightning برای آموزش پیشرفته تجسم تصمیم یک CNN 2D و 3D مدیریت داده‌ها تقسیم خودکار سرطان پیش نیازها: درک موضوعات پایه پایتون (انواع داده ها، حلقه ها، توابع) همچنین Python OOP به صورت ایده آل PyTorch را توصیه می کند، اما لزوماً لازم نیست

آیا تا به حال می‌خواهید شبکه‌های عصبی عمیق را برای بیش از MNIST، CIFAR10 یا گربه‌ها در مقابل سگ‌ها اعمال کنید؟

آیا می‌خواهید در حین تقسیم‌بندی سرطان در تصاویر CT، در مورد آخرین چارچوب‌های یادگیری ماشینی بیاموزید؟

پس این دوره مناسب برای شماست!

به یکی از جامع ترین دوره های آموزش عمیق در تصویربرداری پزشکی خوش آمدید!

این دوره بر کاربرد معماری های پیشرفته یادگیری عمیق در چالش های مختلف تصویربرداری پزشکی تمرکز دارد.

شما چندین کار مختلف از جمله تقسیم بندی سرطان، طبقه بندی ذات الریه، تشخیص قلب، تفسیرپذیری و بسیاری موارد دیگر را انجام خواهید داد.

موضوعات زیر پوشش داده شده است:

  • NumPy

  • نظریه یادگیری ماشین

  • تقسیم داده‌های آزمایش/قطار/اعتبارسنجی

  • ارزیابی مدل - وظایف رگرسیون و طبقه بندی

  • تنسورها با PyTorch

  • شبکه های عصبی کانولوشنال

  • تصویربرداری پزشکی

  • تفسیرپذیری تصمیم شبکه - چرا شبکه کاری را که انجام می دهد انجام می دهد؟

  • یک کتابخانه پیشرفته pytorch سطح بالا: pytorch-lightning

  • تقسیم بندی تومور

  • داده های سه بعدی

  • و بسیاری دیگر

چرا این آموزش عمیق با PyTorch را برای دوره تحلیل تصویر پزشکی انتخاب کنید؟

  • این دوره دانش منحصر به فردی در مورد کاربرد یادگیری عمیق در مسائل بسیار پیچیده و غیر استاندارد (پزشکی) (در دو بعدی و سه بعدی) ارائه می دهد

  • همه درس‌ها شامل تئوری خلاصه شده و مثال‌های همراه با کد هستند تا بتوانید هر مرحله را درک کرده و دنبال کنید.

  • جامعه آنلاین قدرتمند با تالارهای QA ما با هزاران دانش آموز و دستیاران آموزشی اختصاصی، و همچنین تعامل دانش آموز در سرور Discord ما.

  • شما مهارت ها و تکنیک هایی را خواهید آموخت که اکثریت قریب به اتفاق مهندسان هوش مصنوعی ندارند!

--------------

خوزه، مارسل، سرجیوس توبیاس







سرفصل ها و درس ها

معرفی Introduction

  • سخنرانی اجمالی دوره - لطفاً رد نشوید! COURSE OVERVIEW LECTURE - PLEASE DO NOT SKIP!

  • لینک دانلود فایل های دوره Link to Download the Course Files

  • لینک دانلود فایل های دوره Link to Download the Course Files

  • نصب و راه اندازی محیط Installation and Environment Setup

  • نصب و راه اندازی محیط Installation and Environment Setup

  • نصب بدون فایل yml Installation without yml file

  • نصب بدون فایل yml Installation without yml file

  • برنامه درسی دوره Course Curriculum

معرفی Introduction

  • سخنرانی اجمالی دوره - لطفاً رد نشوید! COURSE OVERVIEW LECTURE - PLEASE DO NOT SKIP!

  • برنامه درسی دوره Course Curriculum

Crash Course: NumPy Crash Course: NumPy

  • مقدمه ای بر NumPy Introduction to NumPy

  • آرایه های NumPy NumPy Arrays

  • آرایه های NumPy قسمت دوم NumPy Arrays Part Two

  • آرایه های NumPy قسمت دوم NumPy Arrays Part Two

  • انتخاب شاخص NumPy NumPy Index Selection

  • انتخاب شاخص NumPy NumPy Index Selection

  • عملیات NumPy NumPy Operations

  • عملیات NumPy NumPy Operations

  • تمرینات NumPy NumPy Exercises

  • تمرینات NumPy NumPy Exercises

  • تمرین NumPy - راه حل NumPy Exercise - Solutions

Crash Course: NumPy Crash Course: NumPy

  • مقدمه ای بر NumPy Introduction to NumPy

  • آرایه های NumPy NumPy Arrays

  • تمرین NumPy - راه حل NumPy Exercise - Solutions

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

  • یادگیری ماشین چیست What is Machine Learning

  • یادگیری تحت نظارت Supervised Learning

  • بیش از حد برازش Overfitting

  • بیش از حد برازش Overfitting

  • ارزیابی عملکرد - معیارهای خطای طبقه بندی Evaluating Performance - Classification Error Metrics

  • ارزیابی عملکرد - معیارهای خطای طبقه بندی Evaluating Performance - Classification Error Metrics

  • ارزیابی عملکرد - معیارهای خطای رگرسیون Evaluating Performance - Regression Error Metrics

  • ارزیابی عملکرد - معیارهای خطای رگرسیون Evaluating Performance - Regression Error Metrics

  • خلاصه: مفاهیم یادگیری ماشین Recap: Machine Learning Concepts

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

  • یادگیری ماشین چیست What is Machine Learning

  • یادگیری تحت نظارت Supervised Learning

  • خلاصه: مفاهیم یادگیری ماشین Recap: Machine Learning Concepts

مبانی PyTorch PyTorch Basics

  • مقدمه مبانی PyTorch PyTorch Basics Introduction

  • مقدمه مبانی PyTorch PyTorch Basics Introduction

  • مبانی تانسور Tensor Basics

  • مبانی تانسور Tensor Basics

  • مبانی تانسور-قسمت دوم Tensor Basics-Part Two

  • عملیات تانسور Tensor Operations

  • عملیات تانسور Tensor Operations

  • عملیات تانسور - قسمت دوم Tensor Operations-Part Two

  • مبانی PyTorch - ورزش PyTorch Basics - Exercise

  • مبانی PyTorch - ورزش PyTorch Basics - Exercise

  • مبانی PyTorch - راه حل های تمرین PyTorch Basics - Exercise Solutions

مبانی PyTorch PyTorch Basics

  • مبانی تانسور-قسمت دوم Tensor Basics-Part Two

  • عملیات تانسور - قسمت دوم Tensor Operations-Part Two

  • مبانی PyTorch - راه حل های تمرین PyTorch Basics - Exercise Solutions

CNN - شبکه های عصبی کانولوشن CNN - Convolutional Neural Networks

  • مقدمه ای بر CNN ها Introduction to CNNs

  • آشنایی با مجموعه داده های MNIST Understanding the MNIST data set

  • ANN با MNIST - بخش اول - داده ANN with MNIST - Part One - Data

  • ANN با MNIST - بخش اول - داده ANN with MNIST - Part One - Data

  • ANN با MNIST - قسمت دوم - ایجاد شبکه ANN with MNIST - Part Two - Creating the Network

  • مهم: تفاوت کتابخانه بین ویدیو و نوت بوک IMPORTANT: Library Difference between video and notebook

  • مهم: تفاوت کتابخانه بین ویدیو و نوت بوک IMPORTANT: Library Difference between video and notebook

  • ANN با MNIST - قسمت سوم - آموزش ANN with MNIST - Part Three - Training

  • ANN با MNIST - بخش چهارم - ارزیابی ANN with MNIST - Part Four - Evaluation

  • فیلترها و هسته های تصویر Image Filters and Kernels

  • لایه های کانولوشنال Convolutional Layers

  • لایه های کانولوشنال Convolutional Layers

  • لایه های ترکیبی Pooling Layers

  • لایه های ترکیبی Pooling Layers

  • داده های MNIST بازبینی شد MNIST Data Revisited

  • MNIST با CNN - Code Along - قسمت اول MNIST with CNN - Code Along - Part One

  • MNIST با CNN - Code Along - قسمت دوم MNIST with CNN - Code Along - Part Two

  • MNIST با CNN - Code Along - قسمت سوم MNIST with CNN - Code Along - Part Three

  • چرا به GPU نیاز داریم؟ Why do we need GPUs?

  • استفاده از GPU برای PyTorch Using GPUs for PyTorch

CNN - شبکه های عصبی کانولوشن CNN - Convolutional Neural Networks

  • مقدمه ای بر CNN ها Introduction to CNNs

  • آشنایی با مجموعه داده های MNIST Understanding the MNIST data set

  • ANN با MNIST - قسمت دوم - ایجاد شبکه ANN with MNIST - Part Two - Creating the Network

  • ANN با MNIST - قسمت سوم - آموزش ANN with MNIST - Part Three - Training

  • ANN با MNIST - بخش چهارم - ارزیابی ANN with MNIST - Part Four - Evaluation

  • فیلترها و هسته های تصویر Image Filters and Kernels

  • داده های MNIST بازبینی شد MNIST Data Revisited

  • MNIST با CNN - Code Along - قسمت اول MNIST with CNN - Code Along - Part One

  • MNIST با CNN - Code Along - قسمت دوم MNIST with CNN - Code Along - Part Two

  • MNIST با CNN - Code Along - قسمت سوم MNIST with CNN - Code Along - Part Three

  • چرا به GPU نیاز داریم؟ Why do we need GPUs?

  • استفاده از GPU برای PyTorch Using GPUs for PyTorch

تصویربرداری پزشکی - مقدمه ای کوتاه Medical Imaging - A short Introduction

  • معرفی Introduction

  • معرفی Introduction

  • نمای کلی: X-RAY Overview: X-RAY

  • نمای کلی: X-RAY Overview: X-RAY

  • نمای کلی: CT Overview: CT

  • بررسی اجمالی: MRI Overview: MRI

  • بررسی اجمالی: MRI Overview: MRI

  • نمای کلی: PET Overview: PET

  • خلاصه: تصویربرداری پزشکی Recap: Medical Imaging

  • خلاصه: تصویربرداری پزشکی Recap: Medical Imaging

تصویربرداری پزشکی - مقدمه ای کوتاه Medical Imaging - A short Introduction

  • معرفی Introduction

  • نمای کلی: CT Overview: CT

  • نمای کلی: PET Overview: PET

فرمت های داده در تصویربرداری پزشکی Data Formats in Medical Imaging

  • معرفی Introduction

  • DICOM DICOM

  • DICOM-in-Python DICOM-in-Python

  • DICOM-in-Python DICOM-in-Python

  • خلاصه: DICOM Recap: DICOM

  • NIfTI NIfTI

  • NIfTI NIfTI

  • NIfTI-in-Python NIfTI-in-Python

  • خلاصه:NIfTI Recap:NIfTI

  • پیش پردازش Preprocessing

  • Preprocessing-in-Python-Part-1 Preprocessing-in-Python-Part-1

  • Preprocessing-in-Python-Part-1 Preprocessing-in-Python-Part-1

  • Preprocessing-in-Python-Part-2 Preprocessing-in-Python-Part-2

  • Preprocessing-in-Python-Part-2 Preprocessing-in-Python-Part-2

  • خلاصه: پیش پردازش Recap: Preprocessing

فرمت های داده در تصویربرداری پزشکی Data Formats in Medical Imaging

  • معرفی Introduction

  • DICOM DICOM

  • خلاصه: DICOM Recap: DICOM

  • NIfTI-in-Python NIfTI-in-Python

  • خلاصه:NIfTI Recap:NIfTI

  • پیش پردازش Preprocessing

  • خلاصه: پیش پردازش Recap: Preprocessing

پنومونی-طبقه بندی Pneumonia-Classification

  • معرفی Introduction

  • پیش پردازش Preprocessing

  • پیش پردازش Preprocessing

  • Train-01-Data-Loading Train-01-Data-Loading

  • Train-02-Model-Creation Train-02-Model-Creation

  • Train-03-Trainer Train-03-Trainer

  • Train-03-Trainer Train-03-Trainer

  • قطار-04-ارزیابی Train-04-Evaluation

  • تفسیر پذیری Interpretability

  • خلاصه: پنومونی-طبقه بندی Recap: Pneumonia-Classification

  • خلاصه: پنومونی-طبقه بندی Recap: Pneumonia-Classification

پنومونی-طبقه بندی Pneumonia-Classification

  • معرفی Introduction

  • Train-01-Data-Loading Train-01-Data-Loading

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-04-ارزیابی Train-04-Evaluation

  • تفسیر پذیری Interpretability

تشخیص قلب Cardiac-Detection

  • 01-مقدمه 01-Introduction

  • 02-پیش پردازش 02-Preprocessing

  • 03-Dataset-Part-1 03-Dataset-Part-1

  • 04-Dataset-Part-2 04-Dataset-Part-2

  • 04-Dataset-Part-2 04-Dataset-Part-2

  • Train-01-Data-Loading Train-01-Data-Loading

  • Train-01-Data-Loading Train-01-Data-Loading

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-03-ارزیابی Train-03-Evaluation

  • قطار-03-ارزیابی Train-03-Evaluation

تشخیص قلب Cardiac-Detection

  • 01-مقدمه 01-Introduction

  • 02-پیش پردازش 02-Preprocessing

  • 03-Dataset-Part-1 03-Dataset-Part-1

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-03-ارزیابی Train-03-Evaluation

دهلیز-بخش بندی Atrium-Segmentation

  • 01-مقدمه 01-Introduction

  • 01-مقدمه 01-Introduction

  • Preprocessing-01-Visualization Preprocessing-01-Visualization

  • Preprocessing-02-Processing Preprocessing-02-Processing

  • Preprocessing-02-Processing Preprocessing-02-Processing

  • Dataset-01-Dataset-Creation Dataset-01-Dataset-Creation

  • Train-02-Model-Creation Train-02-Model-Creation

  • Dataset-02-Dataset-Validation Dataset-02-Dataset-Validation

  • قطار-03-ارزیابی Train-03-Evaluation

  • UNet UNet

  • UNet UNet

  • Train-01-Data-Loading-and-Loss Train-01-Data-Loading-and-Loss

  • Train-01-Data-Loading-and-Loss Train-01-Data-Loading-and-Loss

  • Train-02-Model-Creation Train-02-Model-Creation

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-03-ارزیابی Train-03-Evaluation

دهلیز-بخش بندی Atrium-Segmentation

  • Preprocessing-01-Visualization Preprocessing-01-Visualization

  • Dataset-01-Dataset-Creation Dataset-01-Dataset-Creation

  • Dataset-02-Dataset-Validation Dataset-02-Dataset-Validation

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-03-ارزیابی Train-03-Evaluation

Capstone-Project: Lung Tumor Segmentation Capstone-Project: Lung Tumor Segmentation

  • معرفی Introduction

  • بررسی اجمالی Overview

  • بررسی اجمالی Overview

  • نمونه برداری بیش از حد Oversampling

  • نمونه برداری بیش از حد Oversampling

  • نکته - خطای زمان اجرا: نوع اسکالر مورد انتظار Double but found Float Hint - RuntimeError: expected scalar type Double but found Float

  • بحث Discussion

Capstone-Project: Lung Tumor Segmentation Capstone-Project: Lung Tumor Segmentation

  • معرفی Introduction

  • نکته - خطای زمان اجرا: نوع اسکالر مورد انتظار Double but found Float Hint - RuntimeError: expected scalar type Double but found Float

  • بحث Discussion

تقسیم بندی 3 بعدی کبد و تومور کبد 3D Liver and Liver Tumor Segmentation

  • معرفی Introduction

  • معرفی Introduction

  • تجسم داده ها Data-Visualization

  • مدل Model

  • Train-01-TorchIO-Dataset Train-01-TorchIO-Dataset

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-03-ارزیابی Train-03-Evaluation

تقسیم بندی 3 بعدی کبد و تومور کبد 3D Liver and Liver Tumor Segmentation

  • معرفی Introduction

  • تجسم داده ها Data-Visualization

  • مدل Model

  • Train-01-TorchIO-Dataset Train-01-TorchIO-Dataset

  • Train-02-Model-Creation Train-02-Model-Creation

  • قطار-03-ارزیابی Train-03-Evaluation

بخش پاداش: از شما متشکرم! BONUS SECTION: THANK YOU!

  • سخنرانی جایزه BONUS LECTURE

بخش پاداش: از شما متشکرم! BONUS SECTION: THANK YOU!

  • سخنرانی جایزه BONUS LECTURE

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری عمیق با PyTorch برای تجزیه و تحلیل تصویر پزشکی
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
12 hours
88
Udemy (یودمی) udemy-small
19 آبان 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
6,323
4.4 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jose Portilla Jose Portilla

رئیس بخش علوم داده در آموزش پیریان

Marcel Früh Marcel Früh

کارشناس یادگیری عمیق

Sergios Gatidis Sergios Gatidis

دانشمند یادگیری ماشین

Marcel Früh Marcel Früh

کارشناس یادگیری عمیق

Sergios Gatidis Sergios Gatidis

دانشمند یادگیری ماشین

Tobias Hepp Tobias Hepp

دانشمند یادگیری ماشین

Tobias Hepp Tobias Hepp

دانشمند یادگیری ماشین

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.