این دوره شامل سرفصل‌های متنوعی است که از مفاهیم پایه‌ای تا تکنیک‌های پیشرفته را پوشش می‌دهد:

• مبانی PyTorch: آشنایی با ساختار داده‌ها، تانسورها، عملیات ریاضی، و نحوه‌ی تعریف شبکه‌های عصبی در PyTorch.
• شبکه‌های عصبی کانولوشنی (CNNs): درک عمیق ساختار CNNs، آموزش و بهینه‌سازی آن‌ها برای پردازش تصاویر پزشکی.
• معماری‌های CNNهای پیشرفته: آموزش و پیاده‌سازی معماری‌های معروف CNN مانند ResNet، VGG، و Inception برای بهبود عملکرد.
• تقسیم‌بندی تصاویر (Image Segmentation): آموزش مدل‌های تقسیم‌بندی مانند U-Net و استفاده از آن‌ها برای جداسازی ساختارهای آناتومیک در تصاویر پزشکی.
• بازشناسی شیء (Object Detection): آشنایی با مدل‌های بازشناسی شیء مانند YOLO و استفاده از آن‌ها برای شناسایی اشیاء در تصاویر پزشکی.
• یادگیری انتقالی (Transfer Learning): استفاده از مدل‌های آموزش‌دیده بر روی مجموعه‌داده‌های بزرگ برای تسریع فرآیند آموزش و بهبود دقت.
• مدیریت داده و پیش‌پردازش: تکنیک‌های آماده‌سازی داده‌های پزشکی برای مدل‌های یادگیری عمیق، شامل نرمال‌سازی، افزایش داده‌ها (Data Augmentation) و…
• ارزیابی مدل: آموزش معیارها و متدهای ارزیابی عملکرد مدل‌های یادگیری عمیق در تصویربرداری پزشکی.
• پردازش داده‌های پزشکی خاص: آموزش کار با انواع داده‌های تصویربرداری پزشکی مانند MRI، CT scan، و X-ray.
• کاربرد در رقابت‌ها: استراتژی‌های شرکت در رقابت‌های تصویربرداری پزشکی و نحوه‌ی استفاده از ابزارهای موجود.

• پروژه‌های عملی: انجام پروژه‌های عملی و تمرینات متنوع برای تثبیت مفاهیم و کسب تجربه.
• دسترسی آسان: محتوای آموزشی بر روی یک فلش مموری 32 گیگابایتی ارائه می‌شود، که امکان دسترسی آفلاین و بدون نیاز به اینترنت را فراهم می‌کند.
• پشتیبانی: دریافت پشتیبانی از مدرس و شرکت در بحث و تبادل نظر با سایر دانش‌پژوهان.
• به‌روزرسانی‌ها: دسترسی به به‌روزرسانی‌های دوره و محتوای جدید در صورت نیاز.
• یادگیری گام به گام: ساختار منظم دوره، یادگیری را از مفاهیم پایه‌ای تا پیشرفته، تسهیل می‌کند.
• آموزش کاربردی: تمرکز بر کاربردهای عملی یادگیری عمیق در تصویربرداری پزشکی.

برای شرکت در این دوره، دانشجو باید دارای شرایط زیر باشد:

• آشنایی با پایتون: دانش مقدماتی زبان برنامه‌نویسی پایتون ضروری است.
• مفاهیم پایه‌ی ریاضیات: درک مفاهیم جبر خطی و حساب دیفرانسیل و انتگرال برای درک عمیق‌تر مفاهیم یادگیری عمیق توصیه می‌شود.
• آشنایی با شبکه‌های عصبی: دانش مقدماتی در مورد شبکه‌های عصبی (اختیاری) می‌تواند مفید باشد.

دوره شامل سرفصل‌های متعددی است که در ادامه به برخی از آن‌ها اشاره می‌شود:

• فصل ۱: مقدمه‌ای بر یادگیری عمیق و PyTorch
• فصل ۲: مقدمه‌ای بر تانسورها و عملیات در PyTorch
• فصل ۳: ساختارهای شبکه‌های عصبی پایه و آموزش آن‌ها
• فصل ۴: شبکه‌های عصبی کانولوشنی (CNNs)
• فصل ۵: معماری‌های CNNهای پیشرفته (ResNet, VGG, …)
• فصل ۶: تقسیم‌بندی تصاویر (U-Net و…)
• فصل ۷: یادگیری انتقالی
• فصل ۸: پردازش و پیش‌پردازش داده‌های پزشکی
• فصل ۹: بازشناسی شیء (YOLO و …)
• فصل ۱۰: ارزیابی مدل‌ها و شاخص‌های عملکرد
• فصل ۱۱: کاربرد در رقابت‌های تصویربرداری پزشکی