课程简介
课程简介
影像组学 (Radiomics) 是一种新兴的医学影像分析方法，采用大数据和机器学习等技术，通过量化分析影像中的优良特征，来对患者的预后、治疗反应、预后等进行预测和评估。它主要是应用在医学影像图像分析上的基于计算机的技术，着重于确定医学影像与生物学、生理学和分子学的联系，以此通过图像中的像素间关系、像素分布和纹理等特征来描述组织或器官的病理生理学特征。
Radiomics是指对医学图像数据集进行系统性分析和研究的过程，和实际的医学图像数据一致。而这些特征提取出来的特征值在经过系统和专业的统计分析、算法理论和建模等科学步骤后，就能过产生对临床诊断的有益信息，并帮助将图像数据从单个图像转换成结构和功能上的特征和描述。
Radiomics有着非常广泛的应用前景，如预测肿瘤反应和预后，目前，以肿瘤学为主的一些研究已经致力于发现这些特征与疾病诊断、预测和疗效预测有关的生物标志物。
影像组学的具体步骤
- 数据收集：收集大量的相关影像和遗传信息，主要是MRI、PET、CT等医学图像。
- 数据预处理：对影像数据进行标准化、去噪、分割、配准等操作，以确保数据的一致性。
特征提取：运用数字图像处理方法，提取出包括形状、纹理、强度等在内的丰富的特征数据。
- 特征选择和规约：对提取出的特征进行选择和规约，以便通过机器学习算法对影像与遗传数据间的关系进行分析。
统计分析：应用不同的统计学方法（如方差分析、Logistic回归分析）来分类或计算出遗传数据和影像特征之间的关系，并建立数学模型预测疾病的进展和预后。
- 临床应用：最后，利用分析结果为医疗决策提供有益信息，帮助提高诊断准确性和治疗效果。
总之，整个影像组学的研究过程中需要综合利用影像学、临床医学、分子生物学、机器学习、深度学习、统计学等多个跨学科领域的知识，通过强大的算法和分析进行处理，从而发现影像与临床实践的关联，进而为医学诊治提供有益参考和指导。
影像组学的临床应用
放射组学特征选择
（Radiomics feature selection）
卷积神经网络与函数的可视化
（Visualization of Convolutional Neural Network Layers and Functions）
人工智能纳入诊断医学工作流程（Incorporating Artifificial Intelligence into Diagnostic Medicine Workflflow）
影像组学课程
章节目录：
1、初识影像组学
2、Python环境安装及配置
3、Python基础
4、Numpy基础
5、Pandas基础
6、影像数据准备
7、影像组学特征提取
8、影像组学特征数据预处理
9、影像组学特征数据降维
10、影像组学的建模方法
11、深度学习的秘诀
12、总结与归纳
13、后续更新
深度学习课程
章节目录：
1、初识深度学习
2、GPU安装与配置
3、Python基础
4、机器学习基础
5、深度学习及Keras入门
6、数值数据的深度学习
7、文本数据的深度学习（自然语言处理）
8、影像数据的深度学习
9、提取影像数据的深度特征
10、基于深度学习的感兴趣区分割（图像的语义分割）
11、图像目标检测
12、总结与归纳
13、后续更新
