دوره مقدمه‌ای بر محاسبات در پردازش و تحلیل تصاویر پزشکی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در پردازش و تحلیل تصاویر پزشکی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی پردازش تصویر
• 2. مقدمه‌ای بر پردازش تصویر پزشکی
• 3. تاریخچه پردازش تصویر پزشکی
• 4. انواع داده‌های تصاویر پزشکی
• 5. فرمت‌های رایج تصاویر پزشکی (DICOM, NIfTI)
• 6. مبانی ریاضیاتی پردازش تصویر
• 7. هندسه فضایی و مختصات
• 8. مفاهیم بردارها و ماتریس‌ها
• 9. آمار و احتمالات پایه
• 10. جبر خطی کاربردی
• 11. کاربرد ریاضیات در پردازش تصویر
• 12. مبانی برنامه نویسی برای پردازش تصویر
• 13. زبان‌های برنامه نویسی رایج (Python, C++)
• 14. نصب و راه‌اندازی محیط توسعه (IDE)
• 15. مبانی سینتکس زبان برنامه نویسی
• 16. انواع داده‌ها و ساختارها
• 17. دستورات شرطی و حلقه‌ها
• 18. توابع و ماژول‌ها
• 19. مبانی شی‌گرایی (OOP)
• 20. مفاهیم پایه نمایش تصویر
• 21. پیکسل و مقادیر پیکسلی
• 22. فضاهای رنگی (RGB, Grayscale)
• 23. نمایش دوبعدی و سه‌بعدی تصاویر
• 24. تصاویر رستری و برداری
• 25. نمایش بصری تصاویر
• 26. مبانی پردازش تصویر دیجیتال
• 27. نمونه‌برداری و کوانتیزاسیون
• 28. مفاهیم نویز در تصاویر
• 29. انواع نویز (Gaussian, Salt & Pepper)
• 30. فیلتر کردن نویز (Smoothing, Sharpening)
• 31. فیلترهای میانگین و میانه
• 32. فیلترهای گاوسی
• 33. فیلترهای کانولوشن
• 34. عملیات مورفولوژیکی (Erosion, Dilation)
• 35. باز کردن (Opening) و بستن (Closing)
• 36. عملیات لبه‌یابی
• 37. تشخیص لبه (Sobel, Prewitt, Canny)
• 38. مبانی آستانه‌گذاری (Thresholding)
• 39. آستانه‌گذاری ساده
• 40. آستانه‌گذاری تطبیقی (Adaptive Thresholding)
• 41. روش Otsu برای آستانه‌گذاری
• 42. تکنیک‌های بخش‌بندی تصویر (Segmentation)
• 43. مفهوم بخش‌بندی
• 44. بخش‌بندی مبتنی بر آستانه
• 45. بخش‌بندی مبتنی بر ناحیه (Region Growing)
• 46. بخش‌بندی مبتنی بر لبه
• 47. بخش‌بندی مبتنی بر خوشه‌بندی (Clustering)
• 48. الگوریتم K-Means
• 49. بخش‌بندی بر اساس مدل (Model-Based Segmentation)
• 50. مبانی شناسایی و استخراج ویژگی (Feature Extraction)
• 51. انواع ویژگی‌ها (Shape, Texture, Intensity)
• 52. استخراج ویژگی‌های هندسی
• 53. استخراج ویژگی‌های بافتی
• 54. استخراج ویژگی‌های مبتنی بر رنگ
• 55. تبدیلات تصویر
• 56. تبدیلات فوریه (Fourier Transform)
• 57. کاربرد تبدیل فوریه در پردازش تصویر
• 58. فیلترینگ در حوزه فرکانس
• 59. تبدیلات موجک (Wavelet Transform)
• 60. کاربرد تبدیل موجک در فشرده‌سازی و حذف نویز
• 61. مبانی یادگیری ماشین در پردازش تصویر پزشکی
• 62. مقدمه‌ای بر یادگیری ماشین
• 63. انواع یادگیری ماشین (Supervised, Unsupervised)
• 64. الگوریتم‌های طبقه‌بندی (Classification)
• 65. الگوریتم KNN
• 66. الگوریتم SVM
• 67. الگوریتم درخت تصمیم
• 68. الگوریتم رگرسیون (Regression)
• 69. الگوریتم رگرسیون خطی
• 70. مبانی یادگیری عمیق (Deep Learning)
• 71. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
• 72. شبکه‌های عصبی کانولوشنی (CNN)
• 73. معماری‌های CNN (LeNet, AlexNet, VGG, ResNet)
• 74. کاربرد CNN در تشخیص و بخش‌بندی تصاویر پزشکی
• 75. آموزش مدل‌های یادگیری عمیق
• 76. مجموعه داده‌ها و پیش‌پردازش آن‌ها
• 77. تقسیم داده‌ها (Train, Validation, Test)
• 78. افزایش داده (Data Augmentation)
• 79. انتخاب تابع هزینه (Loss Function)
• 80. انتخاب بهینه‌ساز (Optimizer)
• 81. ارزیابی مدل (Metrics)
• 82. مبانی محاسبات در پردازش تصویر پزشکی (HPC)
• 83. مفهوم محاسبات با کارایی بالا (HPC)
• 84. چرا HPC برای پردازش تصویر پزشکی مهم است؟
• 85. معماری‌های سخت‌افزاری HPC
• 86. پردازنده‌های مرکزی (CPU)
• 87. پردازنده‌های گرافیکی (GPU)
• 88. رایانش موازی (Parallel Computing)
• 89. انواع موازی‌سازی (Data Parallelism, Task Parallelism)
• 90. موازی‌سازی در سطح دستورالعمل (ILP)
• 91. موازی‌سازی در سطح رشته (Thread-Level Parallelism)
• 92. موازی‌سازی در سطح فرآیند (Process-Level Parallelism)
• 93. کتابخانه‌های موازی‌سازی
• 94. MPI (Message Passing Interface)
• 95. OpenMP
• 96. CUDA (Compute Unified Device Architecture)
• 97. معماری GPU و برنامه‌نویسی CUDA
• 98. مبانی برنامه‌نویسی GPU
• 99. تکنیک‌های بهینه‌سازی برای GPU
• 100. کاربرد GPU در پردازش تصویر پزشکی