آموزش رایگان تحلیل هوشمند تصاویر زیست پزشکی کمک بزرگی به دانشجویان کرده تا بتوانند تصاویر ثبت شده پزشکی را پردازش کنند. باتوجه‌به پیشرفت‌هایی که در حوزه هوش مصنوعی صورت گرفته است، امروزه شاهد این هستیم که تصویربرداری پزشکی به‌صورت مدرن انجام شده و تصاویری با کیفیت بالا ارائه می‌شود. برای تشخیص دقیق اطلاعات این تصاویر، باید با ساختار این عکس‌ها و داده‌های ارائه شده در آن آشنایی داشت. انجام این کار به‌صورت کلاسیک، با ضریب خطای بالایی همراه است. در ضمن این روش به پیشرفت‌های اخیر بی‌توجه بوده و امکان تحلیل داده‌های موجود در تصاویر زیست‌پزشکی به این طریق وجود ندارد.
به‌منظور پردازش تصاویر بیوپزشکی باید با فیزیک تصویربرداری و نوع اطلاعاتی که در روش‌های مختلف تصویربرداری ارائه می‌شود آشنا بود. باتوجه‌به پیشرفت‌های حاصل شده در این حوزه، می‌توان این تصاویر را به‌صورت هوشمند مورد پردازش قرار داده و اطلاعات آن را تجزیه‌وتحلیل کرد. در این دوره آموزشی، تصویربرداری زیست‌پزشکی و تحلیل آن‌ها مورد بررسی قرار گرفته و راهکارهای کسب قابلیت‌های این کار ارائه شده است. آموزش رایگان تحلیل هوشمند تصاویر زیست‌پزشکی دانشجویان را آماده می‌کند تا قابلیت‌های لازم برای طراحی روش‌های اصولی جدید برای مسائل پزشکی را به دست آورند. این مسائل شامل تشخیص، پیش‌بینی، بهبود تصویر و قطعه‌بندی تصاویر (Segmentation) است. در ضمن با استفاده از این دوره، دانشجویان قادر خواهند بود به زبان مشترک، اطلاعات و یافته‌های خود را به متخصصین زیست‌شناسی یا رادیولوژیست‌ها انتقال دهند.
درس تحلیل هوشمند تصاویر زیست پزشکی در قالب یک درس 3 واحدی ارائه شده و توسط دکتر محمدحسین رهبان ارائه می‌شود. این درس، پیش‌نیاز یادگیری ماشین برای بیوانفورماتیک به شمار می‌آید و گذران آن برای دانشجویان کارشناسی ارشد بیوانفورماتیک لازم است.
سرفصل‌ها تحلیل هوشمند تصاویر زیست پزشکی
این دوره آموزشی رایگان در 5 فصل مختلف به دانشجویان ارائه می‌شود. در قسمت اول این درس به توضیح درباره پردازش مقدماتی تصاویر، پرداخته می‌شود. در این فصل در مورد سیگنال‌ها، دنیای فوریه و کاربرد آن‌ها در پردازش تصاویر، توضیحاتی ارائه می‌شود. در پایان فصل، دانشجویان با فیلترها و روش‌های ازبین‌بردن نویز آشنا شده‌اند. فصل دوم آموزش رایگان تحلیل هوشمند تصاویر زیست پزشکی به معرفی یک فرمت خاص تصاویر پزشکی به نام DICOM اختصاص دارد. گذشته از علوم کامپیوتر، به‌منظور استفاده از ابزارهای یادگیری عمیق در حوزه بیوانفورماتیک و زیست‌پزشکی باید با داده‌های خاص این مسائل نیز آشنایی داشت. مثلاً اگر قرار است برای حل مسائل تصاویر پزشکی از یادگیری ماشین و یادگیری عمیق استفاده شود باید متخصصان با فرمت‌های خاص این تصاویر پزشکی نیز آشنا باشند.
در ضمن باید نحوه تصویربرداری را بلد بوده و تنظیمات دستگاه تصویربرداری را بدانند، زیرا این عوامل بر روی کیفیت و داده‌های تصاویر زیست‌پزشکی تأثیر خواهند گذاشت و این امر در تعیین متد، حائز اهمیت است. در این فصل به جز معرفی فرمت DICOM، در مورد جزئیات تصویربرداری به کمک MRI، CT scan، X-ray و PET نیز توضیحاتی ارائه می‌شود. در فصل سوم این درس، تصویربرداری میکروسکوپی و ابزار اتوماتیک Cell Profiler برای قطعه‌بندی معرفی می‌شوند. تصاویر میکروسکوپی نوع دیگری از تصاویر زیست‌پزشکی هستند که باتوجه‌به نوع میکروسکوپ، ویژگی‌های آن‌ها تغییر می‌کند. در این فصل در مورد استخراج ویژگی‌های این تصاویر و همچنین کمی سازی آن‌ها مورد بررسی قرار می‌گیرد.
در مورد مبحث Registration تصاویر زیست‌پزشکی از تبدیلات دنیای فوریه استفاده می‌شود. فصل چهارم از آموزش رایگان تحلیل هوشمند تصاویر زیست‌پزشکی به توضیح در مورد این مبحث می‌پردازد. در فصل پنجم این دوره آموزشی، در مورد قطعه‌بندی به‌صورت کلاسیک و همچنین با استفاده از ابزارهای یادگیری ماشین، اطلاعاتی ارائه می‌شود.
دکتر محمدحسین رهبان یکی از استادیاران دانشکده مهندسی کامپیوتر دانشگاه شریف است. زمینه اصلی تحقیقاتی ایشان شامل یادگیری ماشین خصمانه و تفسیرپذیر، یادگیری متغیرهای نهان، و زیست‌شناسی محاسباتی است. به خصوص، ایشان اخیرا به تحقیق در زمینه کاربرد یادگیری ماشین در آنالیز داده سنجه‌های زیست‌شناسی توان بالا مبتنی بر تصویر مشغول شده‌اند. تحقیقات ایشان در دوره پسادکترا در موسسه برود مرتبط با هاروارد و ام آی تی، منجر به کشف ارتباط بین مکانیزم‌های دخیل در سرطان، و داروهایی که این مکانیزم‌ها را کنترل می‌کنند شده‌است.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.