Yapay Zeka ile Tıbbi Görüntü Analizi Eğitimi

Eğitim Hakkında

Bu eğitim, röntgen, BT, MR ve dijital patoloji görüntüleri üzerinde derin öğrenme modelleri geliştirmek isteyen teknik ekipler için tasarlanmış ileri düzey ve laboratuvar ağırlıklı bir programdır. Katılımcılar DICOM veri işleme, sınıflandırma, tespit, 2B ve 3B segmentasyon, klinik doğrulama ve dağıtım adımlarını PyTorch ve MONAI ile uçtan uca uygular.

Neden Bu Eğitim?

Tıbbi Veriye Özgü. Hounsfield birimi, voksel aralığı ve DICOM başlıkları gibi doğal görüntülerde olmayan zorlukları doğru yönetin.

Laboratuvar Ağırlıklı. Göğüs röntgeni sınıflandırmasından 3B organ segmentasyonuna kadar her konuyu çalışan kodla uygulayın.

Klinik Değer Odağı. Dış doğrulama, belirsizlik, raporlama rehberleri ve PACS entegrasyonuyla sahaya çıkabilen modeller kurun.

“Tıbbi görüntüde başarılı bir model yalnızca yüksek Dice skoruyla değil, farklı hastanelerde de aynı güveni vermesiyle ölçülür.”

Ön Koşullar

Python ve NumPy — Python, NumPy ve temel veri işleme kütüphaneleriyle rahatça kod yazabilmek.
Derin Öğrenme — PyTorch ile basit bir sinir ağı eğitmiş olmak; CNN, kayıp fonksiyonu ve optimizasyon bilgisi.
Görüntü İşleme — Görüntü dizileri, filtreleme ve veri artırma kavramlarına temel düzeyde aşinalık.
GPU Ortamı — CUDA destekli GPU'lu bir bilgisayar veya eğitim için sağlanan bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiGörüntüleme modalitelerinin fiziksel ve klinik özelliklerini kavramak, DICOM ve NIfTI verilerini işlemek ve etiketli, sızıntısız bir eğitim veri seti hazırlamak.

Modül 1

Tıbbi Görüntüleme Modaliteleri

Röntgen, BT, MR, ultrason ve PET görüntülerinin temelleri
BT'de Hounsfield birimi ve pencereleme mantığı
MR sekansları: T1, T2, FLAIR ve difüzyon görüntüleri
Dijital patolojide tüm slayt görüntüleri (WSI)
Radyolojide yapay zekanın klinik iş akışındaki yeri
Vaka: Bir radyoloğun okuma akışı ve karar noktaları

Modül 2

DICOM, NIfTI ve Görüntü Kütüphaneleri

DICOM standardı: hasta, çalışma, seri ve görüntü hiyerarşisi
PACS ve DICOMweb ile görüntü erişimi
pydicom ile başlık okuma ve piksel verisi çıkarma
SimpleITK ve nibabel ile 3B hacim ve NIfTI işlemleri
Voksel aralığı, yönelim ve koordinat sistemleri
Laboratuvar: BT serisini 3B hacme dönüştürme

Modül 3

Ön İşleme ve Veri Artırma

Yeniden örnekleme, kırpma ve yoğunluk normalizasyonu
MR'da N4 bias alanı düzeltmesi ve kafa iskeleti ayırma
MONAI transform zincirleriyle ön işleme hattı
Tıbbi görüntüye uygun uzaysal ve yoğunluk artırmaları
TorchIO ile 3B veri artırma ve yama örnekleme
Laboratuvar: MONAI ile tekrarlanabilir veri yükleyici

Modül 4

Veri Setleri, Etiketleme ve Bölme

CheXpert, MIMIC-CXR, LIDC-IDRI ve BraTS veri setleri
3D Slicer ve MONAI Label ile etiketleme süreçleri
Gözlemciler arası değişkenlik ve etiket gürültüsü
Hasta düzeyinde veri bölme ve sızıntı önleme
Etik kurul, anonimleştirme ve veri kullanım izinleri
Günün değerlendirmesi ve sınıflandırma gününe köprü

Günün hedefiTıbbi görüntülerde transfer öğrenme ile sınıflandırma modelleri eğitmek, dengesiz ve çok etiketli verileri yönetmek ve lezyon tespiti için nesne tespit modelleri kurmak.

Modül 1

Transfer Öğrenme ile Sınıflandırma

ResNet, DenseNet ve ConvNeXt mimarilerinin karşılaştırılması
Görüntü dönüştürücüler (ViT) ve tıbbi görüntüdeki başarımı
ImageNet ve alan içi ön eğitimli ağırlıkların etkisi
Katman dondurma ve kademeli ince ayar stratejileri
Karışık hassasiyetli eğitim ve GPU bellek yönetimi
Laboratuvar: Göğüs röntgeninde çok etiketli sınıflandırma

Modül 2

Dengesiz ve Belirsiz Etiketlerle Çalışma

Nadir bulgular için ağırlıklı kayıp ve odak kaybı (focal loss)
Rapordan çıkarılan etiketlerde belirsizlik yönetimi
Çok etiketli problemlerde AUROC ve eşik belirleme
Eğitim eğrileri, erken durdurma ve aşırı öğrenme teşhisi
Deney takibi için MLflow veya Weights & Biases kullanımı
Laboratuvar: Belirsiz etiket stratejilerinin karşılaştırması

Modül 3

Lezyon ve Nodül Tespiti

Tek ve iki aşamalı nesne tespit mimarileri
RetinaNet ve YOLO ailesinin tıbbi uyarlamaları
Akciğer nodülü tespiti ve FROC değerlendirmesi
Küçük lezyonlar için çapa ve çözünürlük ayarları
MONAI Detection bileşenleriyle 3B tespit yaklaşımı
Laboratuvar: LIDC-IDRI kesitlerinde nodül tespiti

Modül 4

Dijital Patolojide Zayıf Denetim

Gigapiksel slaytların yamalara bölünmesi ve doku maskesi
Boya (stain) normalizasyonu ve renk artırma
Çoklu örnek öğrenme (MIL) ile slayt düzeyinde tahmin
Dikkat tabanlı MIL ile ilgi alanı ısı haritaları
Patoloji temel modellerinden özellik çıkarımı
Günün özeti ve segmentasyon gününe hazırlık

Günün hedefi2B ve 3B segmentasyon mimarilerini uygulamak, nnU-Net ile güçlü referans modeller kurmak ve tıbbi temel modellerle görüntü-dil yaklaşımlarını değerlendirmek.

Modül 1

Segmentasyon Mimarileri

U-Net ve 3B U-Net mimarisinin yapı taşları
Dönüştürücü tabanlı UNETR ve SwinUNETR modelleri
Dice, çapraz entropi ve birleşik kayıp fonksiyonları
Yama tabanlı eğitim ve kayan pencere çıkarımı
Dice, HD95 ve yüzey mesafesi metrikleri
Laboratuvar: MONAI ile 3B dalak segmentasyonu

Modül 2

nnU-Net ile Güçlü Referans Model

nnU-Net'in kendi kendini yapılandıran yaklaşımı
Veri seti parmak izi ve otomatik ön işleme planı
2B, 3B tam çözünürlük ve kaskad konfigürasyonlar
Çapraz doğrulama, topluluk ve son işleme adımları
Kendi veri setini nnU-Net formatına dönüştürme
Laboratuvar: BraTS tümör segmentasyonunda nnU-Net

Modül 3

Tıbbi Temel Modeller

Öz denetimli ön eğitim ve etiket verimliliği
MedSAM ile istemle yönlendirilen segmentasyon
TotalSegmentator ile BT'de çoklu organ segmentasyonu
Temel modellerin az veriyle ince ayarı
Temel modellerin sınırları ve alan dışı başarım
Laboratuvar: MedSAM ile etiketleme süresini kısaltma

Modül 4

Görüntü-Dil Modelleri ve Rapor Üretimi

BiomedCLIP ile görüntü-metin eşleştirme ve sıfır atış
Radyoloji raporu üretiminde görüntü-dil modelleri
MedGemma gibi açık tıbbi çok kipli modellerin denenmesi
Üretilen raporlarda halüsinasyon ve klinik doğruluk
Demo: Göğüs röntgeni için taslak bulgu metni üretimi
Günün değerlendirmesi ve doğrulama gününe köprü

Günün hedefiModellerin açıklanabilirliğini ve belirsizliğini değerlendirmek, dış doğrulama gerekliliklerini karşılamak, modeli klinik altyapıya entegre etmek ve projeyi sunmak.

Modül 1

Açıklanabilirlik ve Belirsizlik

Grad-CAM ve oklüzyon haritalarının yorumu ve tuzakları
Kısayol öğrenme: işaretler ve cihaz izlerinin tespiti
Monte Carlo dropout ve model toplulukları ile belirsizlik
Olasılık kalibrasyonu ve güvenle reddetme stratejisi
Radyolog ile model çıktısını birlikte değerlendirme
Laboratuvar: Kısayol öğrenen modelin Grad-CAM analizi

Modül 2

Dış Doğrulama ve Raporlama

Farklı cihaz, protokol ve merkezlerde alan kayması
Görüntü harmonizasyonu ve alan uyarlama yöntemleri
Alt grup analizi: yaş, cinsiyet ve cihaz üreticisi
CLAIM kontrol listesi ve TRIPOD+AI raporlama rehberi
Okuyucu çalışması ve radyolog performansı karşılaştırması
Uygulama: Dış veri setinde performans düşüşü analizi

Modül 3

Dağıtım, Entegrasyon ve Mevzuat

ONNX dönüştürme ve NVIDIA Triton ile çıkarım servisi
MONAI Deploy ile DICOM tabanlı uygulama paketleme
DICOM SEG ve SR çıktılarıyla PACS'a sonuç gönderme
Canlı ortamda performans ve veri kayması izleme
MDR sınıflandırması, FDA onay yolları ve AB YZ Yasası
Demo: Segmentasyon modelinin DICOM iş akışına bağlanması

Modül 4

Görüntüleme Projesi ve Kapanış

Grup projesi: veri hazırlığından doğrulamaya uçtan uca akış
Proje sunumları ve kod incelemesi geri bildirimi
Kurumsal tıbbi görüntü YZ yol haritası tartışması
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
İleri öğrenme kaynakları, yarışmalar ve kapanış

Eğitim Kazanımları

Görüntü Verisi — DICOM ve NIfTI verilerini voksel aralığı, yönelim ve yoğunluk bilgisini koruyarak doğru biçimde işleyebileceksiniz.
MONAI Ekosistemi — MONAI transformları, veri yükleyicileri ve ağlarıyla tekrarlanabilir tıbbi görüntü hatları kurabileceksiniz.
Sınıflandırma — Transfer öğrenme ile dengesiz ve çok etiketli tıbbi görüntü verilerinde güçlü sınıflandırıcılar eğitebileceksiniz.
Lezyon Tespiti — Nodül ve lezyon tespiti için nesne tespit modelleri kurup FROC gibi alana özgü metriklerle değerlendirebileceksiniz.
3B Segmentasyon — U-Net, SwinUNETR ve nnU-Net ile organ ve tümör segmentasyonu yapıp Dice ve HD95 ile ölçebileceksiniz.
Temel Modeller — MedSAM, TotalSegmentator ve görüntü-dil modellerini az veriyle projelerinize uyarlayabileceksiniz.
Klinik Doğrulama — Kısayol öğrenmeyi, alan kaymasını ve belirsizliği analiz ederek modelin klinik güvenilirliğini sınayabileceksiniz.
Klinik Dağıtım — Modeli ONNX, Triton ve MONAI Deploy ile paketleyip DICOM tabanlı klinik iş akışına entegre edebileceksiniz.

Kimler İçin Uygundur?

Makine öğrenmesi mühendisleri
biyomedikal mühendisleri
medikal fizikçiler
radyoloji ve patoloji alanında çalışan araştırmacılar ile medikal teknoloji Ar-Ge ekipleri.

Sıkça Sorulan Sorular

Yapay Zeka ile Tıbbi Görüntü Analizi Eğitimi kimler için uygundur?

Program; makine öğrenmesi mühendisleri, biyomedikal mühendisleri, medikal fizikçiler, radyoloji ve patoloji alanındaki araştırmacılar ile medikal teknoloji Ar-Ge ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Sırasıyla veri hazırlığı, sınıflandırma ve tespit, segmentasyon ve temel modeller, klinik doğrulama ve dağıtım günleri işlenir; son gün uçtan uca proje sunulur.

Katılım için hangi ön bilgi ve donanım gerekiyor?

Python ve NumPy ile kod yazabilmek, PyTorch ile temel bir sinir ağı eğitmiş olmak beklenir. Laboratuvarlar için CUDA destekli GPU'lu bir bilgisayar veya sağlanan bulut not defteri ortamı gerekir.

Eğitimde hangi kütüphane ve veri setleri kullanılıyor?

PyTorch, MONAI, nnU-Net, pydicom, SimpleITK, TorchIO, MedSAM ve TotalSegmentator kullanılır. Uygulamalar CheXpert, MIMIC-CXR, LIDC-IDRI ve BraTS gibi erişim koşulları uygun açık veri setleriyle yürütülür.

Kurum kendi görüntü verisiyle çalışabilir mi, sertifika veriliyor mu?

Kapalı kurum gruplarında etik kurul ve anonimleştirme koşulları sağlanmış kurum verileriyle proje yapılabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE TIBBİ GÖRÜNTÜ ANALİZİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Tıbbi Görüntüleme Modaliteleri

DICOM, NIfTI ve Görüntü Kütüphaneleri

Ön İşleme ve Veri Artırma

Veri Setleri, Etiketleme ve Bölme

Transfer Öğrenme ile Sınıflandırma

Dengesiz ve Belirsiz Etiketlerle Çalışma

Lezyon ve Nodül Tespiti

Dijital Patolojide Zayıf Denetim

Segmentasyon Mimarileri

nnU-Net ile Güçlü Referans Model

Tıbbi Temel Modeller

Görüntü-Dil Modelleri ve Rapor Üretimi

Açıklanabilirlik ve Belirsizlik

Dış Doğrulama ve Raporlama

Dağıtım, Entegrasyon ve Mevzuat

Görüntüleme Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi