Course Syllabus
Obiettivi
L' obiettivo del corso è di fornire i principi fisici e i metodi di elaborazione alla base dei sistemi di acquisizione dei segnali e immagini biomedici per lo sviluppo di modelli di intelligenza artificiale applicati a tali sistemi che supportino la decisione medica nella prevenzione, screening, diagnosi e terapia di pazienti a rischio di patologie multifattoriali complesse.
Le lezioni teoriche sono integrate con esercitazioni pratiche in aula durante le quali saranno forniti dataset di segnali e immagini biomedici per applicare i principi teorici nello sviluppo di modelli di intelligenza artificiale a supporto della decisione medica.
Contenuti sintetici
Principi fisici e metodi di elaborazione dei sistemi di acquisizione dei segnali e immagini biomedici per lo sviluppo di modelli di intelligenza artificiale affidabili e comprensibili applicati che supportino la decisione medica.
Lezioni teoriche integrate con esercitazioni pratiche in aula per lo sviluppo di modelli di intelligenza artificiale a supporto della decisione medica.
Programma esteso
-Biomedical signals: Electrocardiography/Electroencelography/Electromiography/functional NIRS
- Machine learning and deep learning systems for signal-guided personalized predictive medicine
-Biomedical imaging: Ultrasonography/Radiography/Computerized Tomography/ Mammography/MRI, mpMRI, fMRI/Positron Emission Tomography/Hybrid systems
-Biomedical imaging in image-guided radiotherapy
-Biomedical imaging for lesion detection and semantic segmentation - Radiomic/radiogenomic modelling for screening and diagnosis
-Radiomic/radiogenomic modelling for treatment
-Machine learning and deep learning systems for explainable image-guided personalized predictive medicine (supervised/unsupervised learning)
Prerequisiti
Livello medio-alto di programmazione in Matlab o Python
Modalità didattica
Lezioni frontali ed esercitazioni mediante codici di programmazione.
Il docente fa molte lezioni in cui inizia con una prima parte in cui vengono esposti dei concetti
(modalità erogativa) e poi si apre un’interazione con gli studenti che definisce la parte successiva
della lezione (modalità interattiva).
- 9 lezioni frontali da 2 ore svolte in modalità erogativa in presenza in modalità erogativa nella parte iniziale che è volta a coinvolgere gli
studenti in modo interattivo nella parte successiva; - 11 esercitazioni da 4 ore e 1 esercitazion da 2 ore svolte in presenza volta a coinvolgere gli studenti in modo interattivo nel PROJECT WORKS;
Tutte le attività sono svolte in presenza.
Materiale didattico
Appunti, software, dati e articoli scientifici forniti agli studenti durante il corso.
Periodo di erogazione dell'insegnamento
Primo semestre.
Modalità di verifica del profitto e valutazione
L' esame consiste in un colloquio orale volto a verificare il livello di conoscenza dello studente degli argomenti trattati durante il corso e in 2 PROJECT WORKS, progetti di sviluppo di 2 codici di programmazione basati sui
metodi di machine learning e deep learning su presentati durante il corso.
Orario di ricevimento
Al termine della lezione in aula il docente e' disponibile a ricevere gli studenti per 1 h
Sustainable Development Goals
Aims
The aim of the course is to provide the physical principles and processing methods underlying biomedical signal and image acquisition systems for the development of artificial intelligence models applied to that support medical decision-making in the prevention, screening, diagnosis and therapy of patients at risk of complex multifactorial diseases.
Theoretical lessons are integrated with practical exercises in the classroom during which datasets of biomedical signals and images will be provided to apply the theoretical principles in the development of artificial intelligence models to support medical decision.
Contents
Physical principles and processing methods of biomedical image and signal acquisition systems for the development of trustworth and explainable artificial intelligence models that support medical decision.
Theoretical lessons integrated with practical exercises in the classroom for the development of artificial intelligence models to support medical decisions.
Detailed program
- Biomedical signals: Electrocardiography / Electroencelography / Electromyography / functional NIRS
- Machine learning and deep learning systems for signal-driven personalized predictive medicine
- Biomedical imaging: ultrasound / radiography / computed tomography / mammography / MRI, mpMRI, fMRI / positron emission tomography / hybrid systems
- Biomedical imaging in image-guided radiotherapy
- Biomedical imaging for lesion detection and semantic segmentation
- Radiomic / radiogenomic modeling for screening and diagnosis
- Radiomic / radiogenomic modeling for treatment
-Machine learning and deep learning systems for explainable image-guided personalized predictive medicine (supervised / unsupervised learning)
Prerequisites
Medium-High level of programming in Matlab or Python
Teaching form
Lectures and exercises using programming codes.
The teacher gives many lessons in which he begins with a first part in which concepts are exposed
(delivery method) and then an interaction opens with the students which defines the next part
of the lesson (interactive mode).
- 9 frontal lessons of 2 hours carried out in the delivery mode in presence in the delivery mode in the initial part which is aimed at involving the students
students interactively in the next part; - 11 4-hour exercises and 1 2-hour exercise carried out in person aimed at involving students interactively in the PROJECT WORKS;
All activities are carried out in person
Textbook and teaching resource
Notes, software, data and scientific articles provided to students during the course.
Semester
First semester.
Assessment method
The exam consists of an oral interview aimed at verifying the student's level of knowledge of the topics covered during the course and in 2 PROJECT WORKS development projects of 2 programming codes based on the
machine learning and deep learning methods presented during the course.
Office hours
At the end of the classroom lesson the teacher is available to receive students for 1 hour
Sustainable Development Goals
Staff
-
Isabella Castiglioni
