Syllabus del corso
Obiettivi
L’imaging medicale rappresenta uno dei campi in più rapida crescita nell’ambito della salute. Tradizionalmente le immagini sono analizzate qualitativamente da operatori specializzati. Lo sviluppo delle tecniche di intelligenza artificiale rendono possibile analisi quantitative operatore-indipendente.
Potenziali algoritmi di analisi si scontrano con la complessità intrincesca del problema: osservabili non univocamente definite, presenza di dati massivi difficili da archiviare e processare, validazione dei risultati complessa (i.e.: per caratteristiche intrinseche delle patologie da studiare, i dataset su cui validare gli algoritmi possono avere numerosità assai ridotta).
Il campo dell'intelligenza artificiale offre quindi svariate possibilità per rivoluzionare questo ambito.
Il corso si propone quindi di far conoscere le basi dell'imaging medicale, mostrare gli ambiti in cui è attualmente già utlizzato e gli ambiti su cui è in corso ricerca sull'argomento. Attenzione sarà dedicata alle tecniche di validazione dei risultati.
Il corso prevede sia introduzione teorica che esercitazioni pratiche.
Contenuti sintetici
Introduzione all'imaging medicale, pre-processing delle immagini, applicazioni comuni del deep e machine learning nel campo.
Programma esteso
- Imaging medico: cenni alle tecniche di imaging più usate, campi di applicazione, proprietà delle diverse immagini
- Pre-processing delle immagini: tecniche per ottimizzare gli input alle applicazioni successive
- Segmentazione di immagini: riconoscimento di strutture/target tramite Deep o machine learning
- Tecniche di machine learning con estrazione di features
- Modelli predittivi
- Analisi di applicazioni reali, con attenzione particolare alle tecniche di validazione dei risultati
Prerequisiti
• Foundations of Deep Learning
• Foundations of Probability and Statistics
La maggior parte della parte pratica del corso si svolgerà tramite programmazione con linguaggio Python.
Modalità didattica
Lezioni frontali relative alla parte teorica. Ogni parte teorica sarà seguita da una esercitazione di laboratorio sullo stesso argomento
Materiale didattico
Slide e tutorial di programmazione messi forniti dal docente.
Libro: Zhou, K., Greenspan, H., & Shen, D. (Eds.). (2017). Deep learning for medical image analysis. Academic Press.
Periodo di erogazione dell'insegnamento
Secondo semestre
Modalità di verifica del profitto e valutazione
L'esame finale si compone di una parte pratica e una teorica.
Una parte pratica consisterà in un progetto di gruppo. Questo sarà valutato sulla base della qualità di quanto sviluppato e sulla presentazione del risultato.
La parte teorica verrà valutata tramite esame orale. Lo studente presenterà un paper scientifico a sua scelta. A questo seguiranno domande sulla teoria esposta a lezione.
Orario di ricevimento
Su richiesta, via e-mail.
Sustainable Development Goals
Aims
Medical imaging is one of the fastest growing fields in healthcare. Currently, images are qualitatively analysed by specialised observers. Artificial intelligence techniques can enable quantitative operator independent analyses.
Analysis algorithms face many issues intrinsic of the problem: observables not clearly defined, massive data, complex results validation (i.e.: due to the intrinsic characteristics of the pathologies under study, datasets might be very small and with low numerosity).
Artificial intelligence, especially with convolutional neural networks, has high potential to transform this field.
The course will show the basis of medical imaging, it will show objectives where it is already applied in the field and those where research is in active development. The validation of the results will be a specific focus of the course.
The course will include both theory and laboratory experiences.
Contents
Introduction of medical imaging, image pre-processing, common machine and deep learning applications in this field
Detailed program
- Medical imaging: most common techniques, fields of application, properties of the different images
- Image pre-processing: techniques to optimize inputs for subsequent applications
- Image segementation: recognition of structures or targets using Deep or machine learning
- Features extraction for machine learning
- Predictive models
- Analysis of real world application, with a focus on techniques to validate the results
Prerequisites
• Foundations of Deep Learning
• Foundations of Probability and Statistics
Most of laboratory experiences will be based on Python programming language
Teaching form
Lectures related to theory. Every lecture will be followed by a corresponding laboratory experience
Textbook and teaching resource
Slide decks and programming tutorials provided by the tutor
Book: Zhou, K., Greenspan, H., & Shen, D. (Eds.). (2017). Deep learning for medical image analysis. Academic Press.
Semester
Second semester
Assessment method
Final examination will be composed by a theoretical part and a laboratory project.
Laboratory project will be a group task. This will be evaluated according to the quality of the techniques used and on the presentation of the results.
Theoretical knowledge will be assessed in an oral examination. The student will present a scientific paper of its own choice. This will be the base for questions related to what was presented during the lectures.
Office hours
By email request
