یادگیری عمیق با PyTorch - رقابت‌های تصویربرداری پزشکی

آنچه یاد خواهید گرفت:

• چگونگی استفاده از PyTorch Lightning را بیاموزید.
• در رقابت‌های تصویربرداری پزشکی شرکت کنید و برنده شوید.
• تجربه عملی در یادگیری عمیق کاربردی در تصویربرداری پزشکی کسب کنید.
• طبقه‌بندی، رگرسیون و سگمنتیشن را یاد بگیرید.
• فایل‌های ارسالی را در رقابت‌ها ثبت کنید.
• یادگیری مجموعه‌ای برای برنده شدن در رقابت‌ها را بیاموزید.

پیش‌نیازهای دوره

• باید درک خوبی از پایتون داشته باشید.
• دانش نظری اولیه در مورد یادگیری عمیق داشته باشید. (شبکه‌های عصبی کانولوشنی، بهینه‌سازها، تابع هزینه و غیره)
• حداقل یک پروژه در زمینه یادگیری ماشین یا یادگیری عمیق در هر فریم‌ورکی انجام داده باشید.

توضیحات دوره

این دوره برای افراد مبتدی در نظر گرفته نشده است و بیشتر جنبه عملی دارد. اگرچه مدرس تمام تلاش خود را کرد تا توضیح دهد چرا یک مرحله خاص را انجام داده است، اما تلاش کمی برای توضیح مفاهیم اولیه مانند شبکه‌های عصبی کانولوشنی، چگونگی عملکرد بهینه‌ساز، چگونگی ایجاد مدل‌های ResNet ،DenseNet و غیره انجام داده است. این دوره برای کسانی است که روی داده‌ CIFAR ،MNIST کار کرده‌اند و می‌خواهند در سناریوهای واقعی کار کنند.

تمرکز مدرس عمدتاً بر چگونگی شرکت در یک رقابت، دریافت داده، آموزش یک مدل بر روی آن داده‌ و ارسال نتایج بوده است. در این دوره از PyTorch Lightning استفاده می‌شود.

این دوره موضوعات زیر را پوشش می‌دهد:

طبقه‌بندی باینری

• دریافت داده
• خواندن داده
• اعمال افزونه‌سازی
• چگونگی جریان داده از پوشه‌ها به GPU
• آموزش یک مدل
• دریافت متریک دقت و تابع هزینه

طبقه‌بندی چندکلاسه (رقابت CXR-covid19)

• افزونه‌سازی با Albumentations
• نوشتن یک بارگذار داده سفارشی
• استفاده از مدل از پیش آموزش‌دیده عمومی روی تصاویر XRay
• استفاده از برنامه‌ریز نرخ یادگیری 
• استفاده از توابع فراخوانی مختلف
• انجام اعتبارسنجی متقاطع پنج‌تایی زمانی که تصاویر در یک پوشه هستند.
• آموزش، ذخیره و بارگذاری مدل
• دریافت پیش‌بینی‌های مجموعه تست از طریق یادگیری مجموعه‌ای
• ارسال پیش‌بینی‌ها به صفحه رقابت

طبقه‌بندی چندبرچسبی (رقابت ODIR)

• اعمال افزونه‌سازی روی دو تصویر به طور همزمان
• ساخت یک شبکه موازی برای دریافت دو تصویر به طور همزمان
• تغییر تابع هزینه آنتروپی متقاطع باینری به تابع هزینه فوکال
• استفاده از متریک سفارشی ارائه شده توسط برگزارکننده رقابت برای ارزیابی
• دریافت پیش‌بینی‌های مجموعه تست

پروژه پایانی (برآورد درصد عفونت کووید-19)

• چگونگی ارائه یک راه‌حل
• مرور کد
• راز اصلی ترکیب مدل 

سگمنتیشن معنایی 

• دانلود داده و خواندن داده از فایل‌های nii.gz
• اعمال افزونه‌سازی روی تصویر و ماسک به طور همزمان
• آموزش مدل بر روی تصاویر NIfTI
• ترسیم تصاویر تست و ماسک‌های حقیقی زمینی و پیش‌بینی شده متناظر

این دوره برای چه کسانی مناسب است؟

• برای کاربران سطح متوسط که با پایتون و یادگیری ماشین آشنایی دارند.
• کسانی که مسئله طبقه‌بندی گربه و سگ را انجام داده‌اند اما مطمئن نیستند چگونه یک مجموعه داده یا مسئله بزرگ را مدیریت کنند.
• کسانی که می‌خواهند وارد حوزه تصویربرداری پزشکی شوند و یک نمونه کار بسازند.
• کسانی که می‌خواهند در رقابت‌های Kaggle ،Codalab و Grandchallenge برنده شوند.