Eğitimin Amacı ve Kapsamı
Medikal görüntüler (BT, MR, röntgen, ultrason, dijital patoloji) standart 8-bit fotoğraflardan çok farklıdır: 16-bit Hounsfield birimleri, anizotropik 3D voksel aralıkları, gigapiksel kesitler ve hasta bazlı veri sızıntısı riski özel yöntemler gerektirir. Bu program, PyDICOM ve SimpleITK ile veri hazırlığından başlayarak MONAI ve nnU-Net ile 2D/3D tıbbi görüntü sınıflandırma ve segmentasyonunu derinlemesine işler.
Radyolojide organ/lezyon hacmi hesaplama, patolojide gigapiksel Whole Slide Image (WSI) yama analizi, duyarlılık/özgüllük kalibrasyonu ve PACS entegrasyonu uygulamalı olarak çalışılır. Katılımcılar bir medikal veri seti üzerinde 3D segmentasyon ve klinik değerlendirme pipeline'ı kurar.
Kimler Katılmalı?
- Radyoloji, patoloji, oftalmoloji veya kardiyoloji görüntüleriyle çalışan yapay zeka mühendisleri
- Tıbbi cihaz, medikal yazılım (SaMD) ve biyoinformatik geliştiren veri bilimciler
- Akademik ve klinik araştırma projelerinde derin öğrenme uygulayan araştırmacılar
- Ön koşul: PyTorch ve derin öğrenme ile görüntü işleme deneyimi
Kazanımlar
- DICOM ve NIfTI verilerini pencereleme (HU windowing), resampling ve kimliksizleştirme ile hazırlamak
- MONAI ve 3D U-Net / nnU-Net ile BT ve MR hacimleri üzerinde organ ve lezyon segmentasyonu eğitmek
- Hasta bazlı (patient-level) veri bölme ile veri sızıntısını önlemek ve Dice / Hausdorff mesafesini hesaplamak
- Dijital patoloji (WSI) görüntülerinde yama (patch) çıkarımı ve Multiple Instance Learning uygulamak
- Model çıktılarını DICOM-SEG / PACS iş akışına ve SaMD klinik doğrulama gereksinimlerine hazırlamak
Konular
Medikal Görüntü Formatları ve Ön İşleme
- DICOM etiketleri, kimliksizleştirme (de-identification), NIfTI ve koordinat sistemleri
- Hounsfield Unit (HU) pencereleme, izotropik voxel resampling ve yoğunluk normalizasyonu
MONAI ve nnU-Net ile 3D Volumetrik Segmentasyon
- 3D U-Net, Swin UNETR ve kendi kendini yapılandıran nnU-Net mimarisi
- 3D patch örnekleme, bellek yönetimi ve birleşik Dice + Cross-Entropy loss
Radyoloji Sınıflandırma, Tespit ve Foundation Modeller
- Göğüs röntgeni ve mamografide çok etiketli sınıflandırma ve lezyon lokalizasyonu
- MedSAM ve BiomedCLIP ile az etiketli medikal veride adaptasyon
Dijital Patoloji ve Whole Slide Image (WSI) Analizi
- OpenSlide ile gigapiksel kesit okuma, doku maskeleme ve çok ölçekli patch çıkarımı
- Zayıf etiketli biyopsi kesitlerinde Multiple Instance Learning (MIL)
Klinik Değerlendirme, Kalibrasyon ve PACS Entegrasyonu
- Sensitivity/specificity, ROC/FROC, belirsizlik tahmini ve cihazlar arası domain shift
- DICOM-SEG çıktısı üretme, PACS/RIS entegrasyonu ve SaMD (MDR/FDA) doğrulama ilkeleri
Bu Kategorideki Diğer Eğitimler
-
Resepsiyon ve lobi kuyruk/yoğunluk analizi, açık büfe tepsi doluluk takibi ve gıda israfı ölçümü, otopark plaka tanıma, havuz/tesis güvenliği ve KVKK uyumlu anonim analitik; turizm ve otelcilik teknoloji ekipleri için.
- Canlı Kurs
- 5 modül
-
ONNX Runtime, TensorRT, OpenVINO ve TFLite ile model dönüştürme, INT8 quantization, NVIDIA Jetson ve Raspberry Pi üzerinde kamera pipeline'ı, GStreamer ve OTA güncelleme; modelleri sahada düşük gecikmeyle çalıştıran ekipler için.
- Canlı Kurs
- 5 modül
-
Knowledge distillation, yapısal pruning, Quantization-Aware Training (QAT), NAS ve Torch-TensorRT profilleme; büyük bilgisayarlı görü modellerini doğruluk kaybını en aza indirerek küçültüp hızlandırmak isteyen mühendisler için.
- Canlı Kurs
- 5 modül
-
Computer Vision (Bilgisayarlı Görü)
Klasik görüntü işleme tekniklerinden PyTorch tabanlı CNN, Vision Transformer (ViT), Swin Transformer ve ConvNeXt mimarilerine uzanan kapsamlı Computer Vision eğitimi. YOLO ve DETR ile nesne tespiti, SAM ve U-Net ile segmentasyon, video analizi, 3D görüntü işleme (NeRF, Gaussian Splatting), Diffusion modelleri ve ONNX/TensorRT ile model dağıtım süreçlerini uygulamalı olarak kapsar.
- Canlı Kurs
- 13 modül
-
Dijital görüntü temelleri, OpenCV ile filtreleme ve özellik çıkarımı, sınıflandırma/tespit/segmentasyon görev tipleri ve hazır modellerle ilk prototip; bilgisayarlı görü use case'lerini doğru kurgulamak isteyen teknik ekipler için.
- Canlı Kurs
- 5 modül
-
PyTorch ile CNN mimarileri (ResNet, EfficientNet, ConvNeXt), transfer learning, data augmentation ve eğitim döngüsü; kurumsal görüntü verisi üzerinde sınıflandırma modeli eğitip değerlendirmek isteyen geliştirici ve veri bilimciler için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
