کتاب صوتی CLS-DM: بازسازی CT از نماهای پراکنده با استفاده از مدل انتشار و همسانی فضای پنهان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره CLS-DM: بازسازی CT از نماهای پراکنده با استفاده از مدل انتشار و همسانی فضای پنهان

موضوع کلی: هوش مصنوعی در تصویربرداری پزشکی

موضوع میانی: بازسازی تصاویر CT با استفاده از مدل‌های انتشار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تصویربرداری پزشکی و CT
• 2. اصول فیزیکی اشعه ایکس و تولید تصاویر
• 3. سنسورها و آشکارسازهای CT
• 4. تاریخچه و تکامل اسکنرهای CT
• 5. مفهوم نمایش پروجکشن (Projection View) در CT
• 6. تبدیل رادون (Radon Transform) و اصول آن
• 7. قضیه برش مرکزی (Central Slice Theorem)
• 8. بازسازی پس‌پراکنی فیلترشده (FBP) و محدودیت‌های آن
• 9. روش‌های تکراری بازسازی (Iterative Reconstruction)
• 10. چالش‌های بازسازی CT از نماهای پراکنده (Sparse-View CT)
• 11. مسائل معکوس (Inverse Problems) در تصویربرداری پزشکی
• 12. مقدمه‌ای بر یادگیری ماشینی و یادگیری عمیق
• 13. شبکه‌های عصبی پرسپترون چندلایه
• 14. شبکه‌های عصبی کانولوشنال (CNNs) و لایه‌های اصلی
• 15. توابع فعال‌سازی و توابع زیان در یادگیری عمیق
• 16. بهینه‌سازها و فرآیند آموزش شبکه‌های عصبی
• 17. مفهوم Underfitting و Overfitting در مدل‌های یادگیری عمیق
• 18. معرفی مدل‌های مولد (Generative Models)
• 19. Autoencoders و Variational Autoencoders (VAEs)
• 20. Generative Adversarial Networks (GANs) و ساختار آن‌ها
• 21. مقایسه GANs و VAEs در تولید تصویر
• 22. کاربردهای یادگیری عمیق در تصویربرداری پزشکی
• 23. نیاز به مدل‌های مولد پیشرفته برای بازسازی با کیفیت بالا
• 24. مقدمه‌ای بر مدل‌های انتشار (Diffusion Models)
• 25. فرآیند انتشار رو به جلو (Forward Diffusion Process)
• 26. اضافه کردن نویز گاوسی به تدریج در فرآیند انتشار
• 27. فرمول‌بندی ریاضی فرآیند رو به جلو
• 28. فرآیند انتشار معکوس (Reverse Diffusion Process)
• 29. یادگیری معکوس کردن فرآیند انتشار با یک شبکه عصبی
• 30. تخمین Score Function در مدل‌های انتشار
• 31. تابع زیان Denoising Score Matching (DSM)
• 32. معماری U-Net در مدل‌های انتشار: بخش Encoder
• 33. معماری U-Net در مدل‌های انتشار: بخش Decoder
• 34. مکانیسم Attention در U-Net و نقش آن
• 35. زمان‌بندی نویز (Noise Schedules) و طراحی آن
• 36. انواع زمان‌بندی نویز: خطی، کسینوسی و غیره
• 37. Denoising Diffusion Probabilistic Models (DDPM)
• 38. الگوریتم نمونه‌برداری DDPM
• 39. Non-Markovian Diffusion Models: DDIM
• 40. بهبود سرعت نمونه‌برداری با DDIM
• 41. مدل‌های انتشار مبتنی بر SDE (Stochastic Differential Equations)
• 42. مدل‌های انتشار شرطی (Conditional Diffusion Models)
• 43. مکانیزم‌های شرطی‌سازی: تزریق به U-Net
• 44. آموزش مدل‌های انتشار شرطی
• 45. کنترل‌پذیری و انعطاف‌پذیری مدل‌های انتشار
• 46. مزایای مدل‌های انتشار در تولید تصویر با کیفیت بالا
• 47. مدل‌های انتشار به عنوان Prior قوی برای تصاویر پزشکی
• 48. چالش‌های استفاده از مدل‌های انتشار در مسائل معکوس
• 49. بازسازی CT با شبکه‌های عصبی مستقیم (End-to-End)
• 50. شبکه‌های یادگیری عمیق برای حذف آرتیفکت‌های FBP
• 51. بازسازی CT با استفاده از GANs: مزایا و معایب
• 52. ادغام Projector و Back-Projector در شبکه‌های عصبی
• 53. لایه‌های Data Consistency در بازسازی CT با یادگیری عمیق
• 54. رویکردهای Physics-Informed DL برای بازسازی CT
• 55. مدل‌های Iterative Reconstruction مبتنی بر یادگیری عمیق
• 56. بازسازی CT از پروجکشن‌های کم‌تعداد با یادگیری عمیق
• 57. محدودیت‌های روش‌های DL سنتی در Sparse-View CT
• 58. نیاز به کنترل بهتر Prior در بازسازی تصاویر پزشکی
• 59. Unconditional Diffusion Models برای تولید تصاویر CT پزشکی
• 60. Conditional Diffusion Models برای بازسازی CT Sparse-View
• 61. راهنمایی فرآیند انتشار با داده‌های پروجکشن واقعی
• 62. Data Consistency Guided Sampling در مدل‌های انتشار
• 63. چارچوب A-PnP (Alternating Projection and PnP) با DM
• 64. ادغام Projector به عنوان یک لایه دیفرانسیل‌پذیر در PnP
• 65. استراتژی‌های نمونه‌برداری با قید داده در مدل انتشار
• 66. بهینه‌سازی در فضای تصویر در حین نمونه‌برداری
• 67. مفهوم فضای پنهان (Latent Space) در مدل‌های انتشار
• 68. نقش U-Net به عنوان Encoder-Decoder در DM و فضای پنهان
• 69. استخراج Latent Representation از U-Net
• 70. اهمیت ثبات و همسانی در فضای پنهان برای بازسازی
• 71. تعریف "همسانی فضای پنهان" (Latent Space Consistency)
• 72. چرا به Latent Space Consistency در Sparse-View CT نیاز داریم؟
• 73. فرمول‌بندی ریاضی معیار Latent Space Consistency
• 74. ادغام Latent Space Consistency در تابع زیان مدل
• 75. Reguralization مبتنی بر فضای پنهان برای پایداری بازسازی
• 76. تأثیر Latent Space Consistency بر وضوح و جزئیات بازسازی
• 77. جنبه‌های تئوری و ریاضی CLS-DM
• 78. الگوریتم گام‌به‌گام CLS-DM برای بازسازی تصاویر CT
• 79. طراحی تابع زیان ترکیبی برای CLS-DM (Data + Latent Consistency)
• 80. بهینه‌سازی مدل با قیدهای همسانی فضای پنهان و داده
• 81. چگونگی تکرارهای بازسازی در فضای پنهان CLS-DM
• 82. درک رفتار مدل در فضای پنهان تحت قیدهای مختلف
• 83. انتخاب مجموعه داده‌های مناسب برای آموزش (مثلاً LIDC-IDRI)
• 84. پیش‌پردازش، نرمال‌سازی و افزایش داده (Data Augmentation)
• 85. معیارهای ارزیابی کمی: PSNR و SSIM در بازسازی تصویر
• 86. معیارهای ارزیابی ادراکی: LPIPS و FID
• 87. ارزیابی کیفی و بصری بازسازی‌های CT
• 88. معیارهای بالینی (مثلاً حفظ ساختارهای کوچک و تشخیص پاتولوژی)
• 89. پیاده‌سازی CLS-DM با فریم‌ورک‌های یادگیری عمیق (PyTorch/TensorFlow)
• 90. تنظیم هایپرپارامترها و تکنیک‌های آموزش
• 91. زمان آموزش و پیچیدگی محاسباتی CLS-DM
• 92. مدیریت حافظه GPU در مدل‌های انتشار بزرگ
• 93. بررسی محدودیت‌ها و نقاط ضعف CLS-DM
• 94. کاربردهای بالینی: کاهش دوز تابش و زمان اسکن
• 95. مقایسه CLS-DM با روش‌های State-of-the-Art
• 96. چالش‌های تعمیم‌پذیری مدل‌ها به داده‌ها و اسکنرهای جدید
• 97. مباحث اخلاقی و حریم خصوصی در استفاده از داده‌های پزشکی
• 98. فرصت‌های تحقیقاتی آینده: Multi-Modality در CT
• 99. فرصت‌های تحقیقاتی آینده: بازسازی Real-time CT
• 100. خلاصه و نتیجه‌گیری دوره: CLS-DM در عمل و چشم‌انداز آینده