Mit den HSA Workshops bietet HS Analysis spezialisierte Schulungen für Ingenieure und medizinisches Fachpersonal an, um künstliche Intelligenz in der Bildverarbeitung mit einem Schwerpunkt auf Deep-Learning-Anwendungen zu erlernen. Ingenieure und Ärzte lernen die Zusammenarbeit mit HSA KIT kennen und profitieren dabei von einer interaktiven und effizienten Lernerfahrung. Nach Abschluss des Workshops erhalten die Teilnehmer ein Zertifikat über ihre Fähigkeiten in der Implementierung von Deep Learning.
Zu den Kursinhalten gehören:
Künstliche Intelligenz
Deep Learning
Klassifikation, Objekterkennung, Segmentierung und Instanzsegmentierung
Hyperparameter-Optimierung
Metriken für Deep-Learning-Modelle
Bildanalyse medizinischer Daten
Tag 1
Uhrzeit: 13:00–17:00 Uhr Dauer: 4 Stunden
Einführung
Grundlagen der medizinischen Bildgebung, KI, ML, DL und DL-Technologien
Arten von GTD für einzelne Deep-Learning-Technologien
Protokolle zur Erstellung von GTD (HSA GTD-Protokoll)
Erforderliche Mindestmenge und Qualität von GTD
Einführung in das HSA KIT Modul Annotator
Praktische Arbeit und Erstellung von GTD mit HSA KIT
Einführung in Hyperparameter mit HSA KIT für: Klassifikation
Objekterkennung
Segmentierung
Instanzsegmentierung
Praktische Arbeit und Training von Deep-Learning-Modellen mit HSA KIT für: Klassifikation
Objekterkennung
Segmentierung
Instanzsegmentierung
Zusammenfassung
Diskussion
Tag 2
Uhrzeit: 13:00–17:00 Uhr Dauer: 4 Stunden
Theorie des Validierungsprozesses
Grundlagen der Metriken
Grundlagen der Metriken für jede Deep-Learning-Kategorie
Interpretation von Metriken
Auswahl des besten Deep-Learning-Modells auf Basis von Metriken
Auswahl des besten Deep-Learning-Modells auf Basis visueller Ergebnisse
Praktische Arbeit an allen trainierten Deep-Learning-Modellen und Auswahl des besten Modells für jede Deep-Learning-Technologie
Automatisierte Bildanalyse mit HSA KIT
Modulauswahl
Projekterstellung
Verwendung von Deep-Learning-Modellen
Einstellungen für Deep-Learning-Modelle
Verarbeitung großer Datenmengen
Quantifizierungsergebnisse
Archivierung
Wiederverwendung bestehender Projekte
Grundlage für eine objektive, reproduzierbare und nachhaltige Bildanalyse medizinischer Bilder
Zusammenfassung
Diskussion