Deep Medical Image Understanding using Google Tensorflow
기간 2017년 5월 20일 ~ 6월 24일
일정 [토요일] 오전 9시 ~ 오후 2시(6시간씩 총 30시간)
준비물 약간의 파이썬 기초지식
장소 위키아카데미 2강의실(강남역 12번출구)
수강인원 20명 선착순
수강료 130만원

Need Help? Contact Us Leave Feedback

Category: .

Share

강사소개

김종영 강사님

한양대학교 컴퓨터공학과 박사(수료)
강의 경력 위키아카데미 한 달만 배워도 텐서플로우 프로그래머 강의(2016)
인하공업전문대학/컴퓨터정보학과 빅데이터 강의(2016)
동의대학교/지능시스템 강의(2015)
AppCenter/사물인터넷 기반의 모바일 앱 플랫폼 프로그래밍 강의(2014)
수행 프로젝트 (재)부산정보산업진흥원/3D 입체영상제작연구개발 분석 업무 수행(2012-2015)
(주)포스인/미래부 과제 “지능형 진단 서비스 기반 개인 맞춤형 우울증 치료 콘텐츠 및 기기 개발” 수행(2015-2016)
저서 위키북스/시작하세요! 텐서플로우 프로그래밍(2017년 출간예정)

강의소개

최근 컨볼루셔널 뉴럴 네트워크를 사용하여 이미지 분야에서 성공적인 결과를 거두고 있습니다. 이에 따라 축적된 빅데이터를(PACS) 바탕으로 한 딥러닝 기술의 의료분야 적용이 화두가 되고 있으며 관련 학회와 세미나가 활성화되고 있습니다. 본 강의에서는 컨볼루셔널 뉴럴네트워크를 중심으로 한 의료 영상 이미지의 분류 및 세그먼테이션에 필요한 딥러닝 기술을 강의합니다.
기계학습의 기본적인 개념, 의료 영상 처리 방법, 텐서플로우 코딩,  컨볼루셔널 뉴럴네트워크 등의 기본이 되는 지식을 전달한 다음 이를 바탕으로 실제 의료 영상 이미지에 딥러닝 기술을 적용하는 방식으로 강의를 진행하고자 합니다.
이론과 실습의 적절한 조합을 통해 “Deep Medical Image Understanding”의 초석이 되는 강의가 되도록 하는 것이 이 강의의 핵심이라고 할 수 있습니다.

Deep Medical Image Understanding using Google Tensorflow의 특징

의료 영상 이미지 처리 방법에 대해 알아봅니다

VTK를 이용한 DICOM 파일 디스플레이, DICOM 파일을 NumPy 배열로 불러들이는 방법, DICOM 파일의 메타 데이터 처리, 학습을 위한 전처리 방법 등에 대해 알아봅니다. 또한 Tensorflow에 DICOM 파일을 전달하는 방법에 대해서도 알아보겠습니다.

컨볼루셔널 뉴럴 네트워크에 대해 자세히 알아봅니다

기본적인 Convolutional Neural Network에 대해 알아보고, 1D, 2D, 3D 컨볼루션, 컨볼루셔널(Convolutional) 인코더/디코더 등의 기법에 대해 알아봅니다. 또한 이미지 관련 텐서플로우 모델의 재사용 방법에 대해 알아봅니다(Transfer Learning).

실제 의료 영상의 세그먼테이션/분류 등을 텐서플로우로 구현해 봅니다

대표적인 관련 논문의 내용을 텐서플로우로 구현해보도록 하겠습니다.

수강생을 위한 특전

알고리즘으로 배우는 인공지능, 머신러닝, 딥러닝 입문

커리큘럼

Part I.

기초 다지기


이 강의를 마치고 나면 파이썬 언어의 기본 코딩 스킬을 습득할 수 있고, 이를 바탕으로 한 의료 영상 전처리 작업을 할 수 있을 것입니다. 또한, Tensorflow에서 대규모 의료 영상을 효율적으로 처리하는 방법을 알 수 있습니다. 아울러 기계학습의 중요한 개념 및 딥러닝에서 제시된 방법론을 이론적 또는 절차적 관점에서 숙지하게 될 것입니다.

Unit 01

개발 환경 구축 및 파이썬 프로그래밍 언어(기본)


텐서플로우 코딩에 사용할 파이썬 프로그래밍 언어에 대해 알아봅니다. 파이썬 프로그래밍 언어는 직관적이며 사용하기 쉽고, 다양한 라이브러리가 제공되는 장점이 있습니다. 텐서플로우를 비롯한 개발 환경도 구성합니다.
Unit 02

파이썬 프로그래밍 언어(이미지 파일 처리)


의료 이미지 저장에 사용되는 DICOM 파일을 처리하기 위한 파이썬 라이브러리인 pydicom와 다차원 이미지를 처리하는 데 사용하는 scipy.ndimage 라이브러리의 사용법에 대해 알아봅니다.
Unit 03

텐서플로우 프로그래밍 1/2


텐서의 Shape, Rank, Dimension, Axis이 무엇인지 살펴보고, 텐서플로우의 Computational Graph에 대해 설명합니다. 아울러 예제를 통해 Graph, Session, 상수(Constant), 변수(Variables), Placeholder, Name/Variable Scope의 개념을 살펴봅니다.

Unit 04

텐서플로우 프로그래밍 2/2


텐서 변환(Tensor Transformation), 쓰레드/큐를 통한 텐서 파이프라인, 파일 처리 등에 대해 알아봅니다.

Unit 05

기계 학습 기초


선형(Lineaer) 모델을 예를 들어 Gradient Descent, Momentum, Bias-Variance Tradeoff, Regularization에 대해서 살펴봅니다. 또한 신경망과 관련된 Backpropagation, Vanishing gradient, Activation Functions, Dropout, Batch Normalization 등의 주제에 대해서 살펴봅니다.

Part II.

Convolutional Neural networks에 대해 알아보기


이 강의를 마치면 단순한 형태에서 복잡한 Convolutional Neural Network에 이르기까지 코딩 관점에서 이해하고, 구현할 수 있는 단계에 도달할 것입니다.

Unit 06

Convolutional Neural Network (CNN) 기초


컴퓨터 비전 분야에서 많이 사용되는 CNN에 대해서 알아봅니다. Convolution(1D, 2D, 3D), Pooling, Drop-out 레이어를 텐서플로우에서 어떻게 조합하는지 MNIST 필기체 인식 예제를 통해 알아보겠습니다.

Unit 07

Transfer Learning+Inception V3 모델


구글에서 만든 Inception 모델은 V1, V2, V3, V4 버전으로 발전되어 오면서 많이 사용되는 이미지 인식 모델입니다. Transfer Learning의 장점 및 사용 방법을 Inception 모델을 예로 들어 살펴봅니다.

Part III.

의료영상에 딥러닝 기법 적용해보기


이 강의를 마치면 수강생 각자 영역의 이미지 데이터에 딥러닝 기법을 적용하여 학술적 또는 실용적인 결과물을 만들어내는 출발선에 서게 될 것입니다.

Unit 08

Deep Convolutional Generative Adversarial Network (DCGAN)


자동 이미지 생성의 예로 많이 알려진 DCGAN과 비지도학습 방법을 통해 이미지의 latent feature를 얻는 방법을 알아봅니다. Generative Adversarial Autoencoder 관련 예제를 텐서플로우로 살펴보겠습니다.

Unit 09

U-Net: Convolutional Networks for Biomedical Image Segmentation


U-Net(arXiv:1505.04597)을 사용해 의료 영상 이미지 세그먼테이션을 텐서플로우로 구현해보겠습니다.

Unit 10

Convolutional Network을 이용한 Cardiac MRI segmentation


오픈 데이터를 활용해 심장자기공명 영상의 세그먼테이션을 텐서플로우로 구현해보겠습니다.

6주과정 130만원