Deep Learning & knstliche Intelligenz in der Medizin fastai

 Buy Now
  

Price: 34.99$

Dieser Spezialkurs zeigt anhand eines konkreten Beispiels die Anwendung von knstlicher Intelligenz in der Medizin. In diesem online Training zu knstlicher Intelligenz programmieren wir gemeinsam einen Bild-Klassifizierer, der mithilfe knstlicher Intelligenz in der Lage ist, Rntgenbilder in zwei Gruppen: Diagnose: Pneumothorax und Diagnose: Kein Pneumothoraxeinzuteilen. Wir bauen dieses Modell Schritt fr Schritt mithilfe des fastai deep learning Frameworks auf. Dafr nutzen wir die spezielle fastai Bibliothek “fastai. medical. imaging”, die uns bei der Verarbeitung von medizinischen Bilddaten untersttzt. Wir prsentieren verschiedene frei zugngliche medizinischen Bilddatensets, die jeder fr die Erstellung und das Training von KI-Anwendungen bzw. Deep Learning Anwendungen verwenden kann. Folgende Bilddatensets stellen wir in diesem online Kurs zu knstlicher Intelligenz in der Medizin vor: Das SIIMPneumothorax Datenset mit 250 Rntgenbildern der Lunge Das CT-Medical Datenset von Kaggle, das CT-Bilder enthlt Das Thyrocid Medical Datenset von Kaggle, das Ultraschallbilder der Schilddrse inkl. Segmentierung der Schilddrse beinhaltet. Um einen Schnelleinstieg in das Thema knstliche Intelligenz in der Medizin fr alle Kursteilnehmer – unabhngig von deren Vorkenntnissen zu ermglichen, beginnen wir mit der Erstellung eines einfachen deep learning Modells mithilfe vom Fastai Framework. Anhand dieses Beispiels sehen wir, wie knstliche Intelligenz in der Lage ist, Bilder zu analysieren und verschiedenen Klassen zuzuordnen. Im Zuge dieser Lektion lernen wir auch den Unterschied zwischen einer Loss-Funktion und einer Metrik bei Machine Learning bzw. Deep Learning Modellen kennen. Dieser Teil des online Kurses ist als Schnelleinstieg in die Erstellung von deep Learning Modellen mit dem fastai Framework gedacht. Wer mehr Informationen ber die Implementierung knstlicher Intelligenz mithilfe von fastai lernen mchte, dem sei unser online Kurs “welcome2ki -Teil 3” empfohlen, der ebenfalls ber Udemy verfgbar ist. Wenn wir mit Bilddaten in der Medizin arbeiten, kommen wir am DICOMStandard nicht vorbei. DICOMist das Akronym fr Digital Imaging and Communication in Medicine. Praktisch alle Ergebnisse der bildgebenden Diagnostik werden als Dateien im DICOMFormat gespeichert und bertragen. Insbesondere in der Radiologie hat sich PACS(Picture Archiving and Communication)als Datensilo fr medizinische Bilddaten etabliert. Das heit, egal ob wir Bilddaten in der Medizin mithilfe von knstlicher Intelligenz, Machine Learning oder Deep Learning auswerten oder einfach nur anzeigen und speichern wollen, an einem Basisverstndnis ber den DICOMBildstandard kommt niemand vorbei. Wir zeigen, wie DICOMdefiniert ist, was der Standard alles kann, wie wir zustzliche Informationen zu den medizinischen Bildern, wie Aufnahmedatum, Patientendaten, Untersuchungsdatum, etc. anzeigen knnen. Insbesondere bei der Darstellung der medizinischen Bilder im DICOMStandard mssen wir auch die Werte der Pixel in den Bildern verstehen. Diese sind als Einheiten auf der Hounsfield Skala angegeben. Wir zeigen in diesem Kurs, was die Idee hinter der Verwendung der Hounsfield Skala ist und wie wir die Pixeldaten auf Werte auf der Hounsfield Skala mithilfe von fastai umrechnen knnen. Auch wenn wir fr unseren Deep Learning Bildklassifzierer nur mit dem SIIMPneumothorax Datenset arbeiten werden, so stellen wir zwei weitere kostenfrei verfgbare Datensets mit medizinischen Bildern in diesem online Kurs vor. Wir zeigen das CT-Medical Datenset von einem Kaggle Wettbewerb, da dieses im Unterschied zum SIIMPneumothorax Datenset Aufnahmen vom Computer Tomografen beinhaltet. Danach gehen wir noch auf das Thyrocid Medical Datenset ein, das auch Besonderheiten aufweist. Einerseits beinhaltet es Ultraschallbilder (also eine weitere Gattung medizinischer Bilder) und andererseits beinhaltet es Untersuchungsreihen. Wir zeigen wie wir mit fastai solche Untersuchungsreihenbilder analysieren und darstellen knnen. Der Hauptteil des online Kurses zur Anwendung knstlicher Intelligenz in der Medizin beschftigt sich dann mit der Erstellung eines KI-Systems, das die Rntgenbilder aus dem SIIMPneumothorax Datenset korrekt klassifizieren kann. Da der Einsatz jedes automatisierten Systems in der Medizin besonders hohe Anforderungen an Zuverlssig und Sicherheit stellt, widmen wir uns im Anschluss an die Entwicklung unseres Deep Learning Modells dann noch der Analyse und Interpretation der Ergebnisse. Wir unterscheiden falsch-positive von falsch-negativen Ergebnissen und Errechnen Kennzahlen unseres KI-Modells, die besonders fr den Einsatz in der Medizin groe Bedeutung aufweisen. Den Abschluss unseres online Trainings “Deep Learning & knstliche Intelligenz in der Medizin” stellt dann die Programmierung eines Benutzerinterfaces dar, mit dem Endanwender unser Deep Learning Modell direkt in Form einer Web-Applikation nutzen knnen. Dafr verwenden wir das Voila Framework in Kombination mit dem my Binder Service. Gerade in der Medizin ist fr die Evaluierung und die damit verbundene Akzept von KI-Systemen ein hohes Experten- und Domnenwissen erforderlich. D. h. die frhzeitige Einbindung von rzten und Mediziner in den Entwicklungsprozess eines KI-Modells wird entscheidend fr den Erfolg oder Misserfolg der spteren KI-Applikation sein. Damit jedoch Mediziner und rzte ohne langwierige Einschulung in den Entwicklungsprozess eingebunden werden knnen, ist ein mglichst einfaches Benutzerinterface fr unsere KI-Anwendung erforderlich. Gerade whrend des laufenden Entwicklungsprozess ergeben sich jedoch laufend nderungen, weshalb wir da nicht noch Zeit fr die Implementierung des User-Interfaces aufwnden mchten. Voila in Kombination mit i Python Widgets ist ein schlagkrftiges Team, um schnell und einfach ein Java-Script Webinterface aus Jupyter Notebooks erstellen zu knnen. Wir hosten dann unser ganzes Projekt auf github und prsentieren das User-Interface mithilfe vom my Binder Service an unsere Test-User.