دوره مدل‌های هوش مصنوعی کم‌نیاز به داده برای بخش‌بندی تصاویر زیست‌پزشکی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های هوش مصنوعی کم‌نیاز به داده برای بخش‌بندی تصاویر زیست‌پزشکی

موضوع کلی: هوش مصنوعی و پردازش تصویر پزشکی

موضوع میانی: یادگیری عمیق برای تحلیل تصاویر پزشکی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بخش‌بندی تصاویر زیست‌پزشکی
• 2. اهمیت بخش‌بندی تصاویر در پزشکی
• 3. چالش‌های بخش‌بندی تصاویر پزشکی
• 4. معرفی یادگیری عمیق برای پردازش تصویر
• 5. شبکه‌های عصبی کانولوشنی (CNN)
• 6. معماری‌های پایه‌ای CNN
• 7. شبکه‌های U-Net برای بخش‌بندی
• 8. مفاهیم پایه‌ای یادگیری نظارت‌شده
• 9. داده‌های برچسب‌گذاری شده در پزشکی
• 10. کمبود داده‌های برچسب‌گذاری شده
• 11. روش‌های یادگیری با داده کم
• 12. یادگیری انتقالی (Transfer Learning)
• 13. پیش‌آموزش مدل‌ها بر روی مجموعه داده‌های بزرگ
• 14. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش دیده
• 15. روش‌های تقویت داده (Data Augmentation)
• 16. تکنیک‌های افزایش مصنوعی داده
• 17. افزایش داده‌های هندسی
• 18. افزایش داده‌های رنگی
• 19. افزایش داده‌های مبتنی بر نویز
• 20. افزایش داده‌های مبتنی بر ترکیب تصاویر
• 21. یادگیری نیمه‌نظارت‌شده (Semi-Supervised Learning)
• 22. استفاده از داده‌های بدون برچسب
• 23. خودآموزی (Self-training)
• 24. آموزش مشترک (Co-training)
• 25. یادگیری با نمونه‌های ضعیف (Weakly Supervised Learning)
• 26. استفاده از برچسب‌های تصویری (Image-level labels)
• 27. استفاده از جعبه‌های احاطه‌کننده (Bounding boxes)
• 28. استفاده از خطوط (Scribbles)
• 29. یادگیری تقویتی (Reinforcement Learning) در بخش‌بندی
• 30. معرفی شبکه‌های مولد تخاصمی (GANs)
• 31. کاربرد GANs در افزایش داده
• 32. کاربرد GANs در تولید داده‌های مصنوعی
• 33. مدل‌های مبتنی بر توجه (Attention Mechanisms)
• 34. مکانیسم‌های توجه مکانی
• 35. مکانیسم‌های توجه کانالی
• 36. شبکه‌های U-Net پیشرفته
• 37. nnU-Net: یک چارچوب خودکار
• 38. تنظیم پارامترهای U-Net
• 39. بهینه‌سازی معماری U-Net
• 40. یادگیری فعال (Active Learning)
• 41. انتخاب نمونه‌های مفید برای برچسب‌گذاری
• 42. انتخاب نمونه‌های نامطمئن
• 43. انتخاب نمونه‌های متنوع
• 44. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 45. یادگیری همزمان چندین وظیفه بخش‌بندی
• 46. یادگیری بخش‌بندی و طبقه‌بندی همزمان
• 47. یادگیری بخش‌بندی چندکلاسی
• 48. معیارهای ارزیابی بخش‌بندی
• 49. شاخص سطح مشترک (IoU)
• 50. شاخص Dice
• 51. دقت (Accuracy)
• 52. حساسیت (Sensitivity)
• 53. ویژگی (Specificity)
• 54. ارزیابی مدل‌های کم‌نیاز به داده
• 55. اهمیت ارزیابی در سناریوهای کم‌داده
• 56. اعتبارسنجی متقابل (Cross-validation)
• 57. اعتبارسنجی متقابل K-fold
• 58. ارزیابی بر روی داده‌های تست مستقل
• 59. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 60. جستجوی شبکه‌ای (Grid Search)
• 61. جستجوی تصادفی (Random Search)
• 62. بهینه‌سازی بیزی (Bayesian Optimization)
• 63. مجموعه داده‌های استاندارد در بخش‌بندی پزشکی
• 64. BraTS: تومورهای مغزی
• 65. LiTS: تومورهای کبدی
• 66. ISIC: ضایعات پوستی
• 67. LUNA16: ندول‌های ریوی
• 68. معرفی فریم‌ورک‌های یادگیری عمیق
• 69. TensorFlow و Keras
• 70. PyTorch
• 71. آماده‌سازی داده‌ها برای مدل
• 72. پیش‌پردازش تصاویر پزشکی
• 73. نرمال‌سازی تصاویر
• 74. استانداردسازی تصاویر
• 75. استانداردسازی پیکسل‌ها
• 76. تبدیل تصاویر به فرمت مناسب
• 77. آموزش مدل با استفاده از PyTorch
• 78. پیاده‌سازی یک مدل U-Net در PyTorch
• 79. مدیریت داده‌ها با DataLoader
• 80. تعریف توابع زیان (Loss Functions)
• 81. زیان Cross-Entropy
• 82. زیان Dice
• 83. زیان ترکیبی
• 84. پیاده‌سازی حلقه‌های آموزش (Training Loops)
• 85. پیاده‌سازی حلقه‌های اعتبارسنجی (Validation Loops)
• 86. ذخیره و بارگذاری مدل‌ها
• 87. مدیریت خروجی‌های مدل
• 88. نمایش نتایج بخش‌بندی
• 89. رسم مرزهای بخش‌بندی بر روی تصاویر
• 90. ارزیابی کمی نتایج بخش‌بندی
• 91. تجزیه و تحلیل خطاها
• 92. محدودیت‌های مدل‌های یادگیری عمیق
• 93. تعمیم‌پذیری مدل‌ها
• 94. حساسیت به نویز در داده‌ها
• 95. نیاز به داده‌های با کیفیت
• 96. اخلاق در هوش مصنوعی پزشکی
• 97. حفظ حریم خصوصی داده‌های بیمار
• 98. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 99. شفافیت در تصمیم‌گیری مدل‌ها
• 100. کاربرد هوش مصنوعی در تشخیص بیماری