دوره یادگیری عمیق برای تحلیل تصاویر رادیولوژی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق برای تحلیل تصاویر رادیولوژی

موضوع کلی: علوم محاسباتی و هوش مصنوعی در پزشکی

موضوع میانی: پردازش تصویر پزشکی

📋 سرفصل‌های دوره

• 1. مبانی پردازش تصویر در رادیولوژی
• 2. فرمت‌های استاندارد تصاویر پزشکی
• 3. رادیوگرافی دیجیتال و مزایای آن
• 4. سی‌تی اسکن: اصول و کاربردها
• 5. تصویربرداری تشدیدکننده (Fluoroscopy)
• 6. تصویربرداری رزونانس مغناطیسی (MRI): فیزیک پایه
• 7. مراحل تصویربرداری MRI و پارامترهای مؤثر
• 8. تصویربرداری توموگرافی انتشار پوزیترون (PET)
• 9. تصویربرداری تک فوتونی (SPECT)
• 10. کیفیت تصویر در رادیولوژی: عوامل مؤثر
• 11. روش‌های ارزیابی کیفیت تصاویر رادیولوژیک
• 12. نرم‌افزارهای پردازش تصویر در رادیولوژی
• 13. پیش‌پردازش تصاویر رادیولوژی
• 14. فیلترهای تصویر و کاربردهای آن‌ها
• 15. بهبود کنتراست تصاویر رادیولوژی
• 16. تقویت لبه در تصاویر رادیولوژی
• 17. تکنیک‌های کاهش نویز در تصاویر رادیولوژی
• 18. بخش‌بندی تصاویر رادیولوژی (Segmentation)
• 19. تشخیص لبه در تصاویر رادیولوژی
• 20. استخراج ویژگی (Feature Extraction) از تصاویر رادیولوژی
• 21. طبقه‌بندی تصاویر رادیولوژی با استفاده از یادگیری ماشین
• 22. شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر رادیولوژی
• 23. معماری‌های CNN رایج در رادیولوژی
• 24. انتقال یادگیری (Transfer Learning) در تحلیل تصاویر رادیولوژی
• 25. داده‌افزایی (Data Augmentation) برای بهبود عملکرد مدل
• 26. تشخیص خودکار تومورها با استفاده از یادگیری عمیق
• 27. تشخیص پنومونی با استفاده از یادگیری عمیق
• 28. تشخیص شکستگی استخوان با استفاده از یادگیری عمیق
• 29. تشخیص بیماری‌های قلبی با استفاده از یادگیری عمیق
• 30. تشخیص بیماری‌های مغزی با استفاده از یادگیری عمیق
• 31. یادگیری عمیق برای تشخیص سرطان ریه
• 32. یادگیری عمیق برای تشخیص سرطان پستان
• 33. یادگیری عمیق برای تشخیص سرطان پروستات
• 34. استفاده از یادگیری عمیق در رادیولوژی کودکان
• 35. ارزیابی عملکرد مدل‌های یادگیری عمیق در رادیولوژی
• 36. متریک‌های ارزیابی مدل (Precision, Recall, F1-score)
• 37. اعتبارسنجی متقابل (Cross-Validation)
• 38. تفسیرپذیری مدل‌های یادگیری عمیق در رادیولوژی (Explainable AI)
• 39. تکنیک‌های تجسم (Visualization) برای درک بهتر مدل
• 40. چالش‌ها و محدودیت‌های یادگیری عمیق در رادیولوژی
• 41. مسائل اخلاقی در استفاده از هوش مصنوعی در رادیولوژی
• 42. آینده یادگیری عمیق در رادیولوژی
• 43. مجموعه‌داده‌های عمومی تصاویر رادیولوژی
• 44. منابع و ابزارهای یادگیری عمیق برای رادیولوژی
• 45. کاربرد یادگیری عمیق در تشخیص بیماری‌های استخوانی