Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa
Universidad Pública de Navarra
| Código: 720609 | Asignatura: Deep Learning para Imagen Médica | ||||
| Créditos: 6 | Tipo: Obligatoria | Curso: 1 | Periodo: 2º S | ||
| Departamento: | |||||
| Profesorado: | |||||
| ARIZ GALILEA, MIKEL (Resp) [Tutorías ] | GARDE LECUMBERRI, GONZALO [Tutorías ] | ||||
| OYARZUN DOMEÑO, ANNE [Tutorías ] | |||||
Módulo/Materia
Módulo: Análisis de señales e imágenes médicas
Materia: Análisis de señales e imágenes médicas
Descripción/Contenidos
Partiendo de los conocimientos avanzados sobre procesado digital de imagen se aborda la contribución de la inteligencia artificial al ámbito de la imagen médica en sus diferentes fases de análisis. El núcleo de la asignatura comprende el estudio de las redes neuronales convolucionales y sus aplicaciones.
Competencias genéricas
RA0 - Tener conocimientos especializados y avanzados en una o varias disciplinas o áreas de práctica de la Ingeniería Biomédica, incluyendo las que se han desarrollado recientemente, que amplíen o mejoren los conocimientos vinculados al nivel del grado.
RA1 - Analizar críticamente conocimientos especializados en el campo de la Ingeniería Biomédica, en buena parte de manera autodirigida o autónoma.
RA2 - Evaluar diferentes aproximaciones a problemas de la Ingeniería Biomédica, valorando críticamente sus metodologías, prestaciones, limitaciones y resultados, incluyendo, en su caso, una reflexión sobre las responsabilidades sociales y éticas vinculadas a la solución propuesta en cada caso.
RA3 - Crear nuevas soluciones a retos multidisciplinares de la Ingeniería Biomédica, proponiendo y desarrollando planteamientos o hipótesis originales en un plano abstracto, a menudo con una información incompleta o limitada.
RA4 - Comunicar de manera clara e inequívoca las ideas y conclusiones, así como el conocimiento y la lógica subyacentes, a públicos especializados y no especializados, de manera adecuada al contexto de la Ingeniería Biomédica y utilizando las convenciones propias del ámbito profesional.
RA5 - Trabajar en equipo entre iguales, así como con especialistas y no especialistas, supervisores y clientes.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias específicas
RA16 - Analizar y seleccionar razonadamente técnicas avanzadas de Deep Learning para aplicaciones de imagen médica.
RA17 - Diseñar y desarrollar sistemas de segmentación, registro y clasificación de señales biomédicas orientados al diagnóstico a partir de bases de datos de señales etiquetadas.
Resultados aprendizaje
RA0 - Tener conocimientos especializados y avanzados en una o varias disciplinas o áreas de práctica de la Ingeniería Biomédica, incluyendo las que se han desarrollado recientemente, que amplíen o mejoren los conocimientos vinculados al nivel del grado.
RA1 - Analizar críticamente conocimientos especializados en el campo de la Ingeniería Biomédica, en buena parte de manera autodirigida o autónoma.
RA2 - Evaluar diferentes aproximaciones a problemas de la Ingeniería Biomédica, valorando críticamente sus metodologías, prestaciones, limitaciones y resultados, incluyendo, en su caso, una reflexión sobre las responsabilidades sociales y éticas vinculadas a la solución propuesta en cada caso.
RA3 - Crear nuevas soluciones a retos multidisciplinares de la Ingeniería Biomédica, proponiendo y desarrollando planteamientos o hipótesis originales en un plano abstracto, a menudo con una información incompleta o limitada.
RA4 - Comunicar de manera clara e inequívoca las ideas y conclusiones, así como el conocimiento y la lógica subyacentes, a públicos especializados y no especializados, de manera adecuada al contexto de la Ingeniería Biomédica y utilizando las convenciones propias del ámbito profesional.
RA5 - Trabajar en equipo entre iguales, así como con especialistas y no especialistas, supervisores y clientes.
RA16 - Analizar y seleccionar razonadamente técnicas avanzadas de Deep Learning para aplicaciones de imagen médica.
RA17 - Diseñar y desarrollar sistemas de segmentación, registro y clasificación de señales biomédicas orientados al diagnóstico a partir de bases de datos de señales etiquetadas.
Metodología
| Metodología - Actividad | Horas Presenciales | Horas no presenciales |
| A-1 Clases expositivas/participativas | 24 | |
| A-2 Prácticas | 32 | |
| A-3 Realización de trabajos/proyectos en grupo | 14 | |
| A-4 Estudio y trabajo autónomo del estudiante | 76 | |
| A-5 Tutorías | ||
| A-6 Pruebas de evaluación | 4 | |
| Total | 60 | 90 |
Evaluación
| Resultados de aprendizaje |
Actividad de evaluación |
Peso (%) | Carácter recuperable |
Nota mínima requerida |
|---|---|---|---|---|
| RA0-RA5, RA16, RA17 | Pruebas tipo test | 40 | Sí | 4 |
| RA0-RA5, RA16, RA17 | Trabajos e informes individuales | 20 | Sí | - |
| RA0-RA5, RA16, RA17 | Trabajos e informes grupales | 40 | Sí | - |
Temario
Tema I: Introducción a Deep Learning para análisis de imagen biomédica
Tema II: Arquitecturas de Deep Learning
Tema III: Deep Learning para mejora de imagen
Tema IV: Deep Learning para segmentación de imagen
Tema V: Deep Learning para registro de imagen
Tema VI: Deep Learning para el diagnóstico asistido por ordenador
Programa de prácticas experimentales
Las prácticas experimentales de la asignatura se dividen en dos bloques:
Prácticas guiadas. Sesiones de prácticas guiadas sobre los principales temas.
Sesión 1: Introducción a Google Colab
Sesión 2: Deep Learning para mejora de imagen
Sesión 3: Deep Learning para segmentación de imagen
Sesión 4: Deep Learning para registro de imagen
Proyecto final. Implementación de un proyecto final de la asignatura de forma más libre.
Bibliografía
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, MIT Press
Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, A. Géron, O`Reilly
A survey on deep learning in medical image analysis - Litjens, G.; Kooi, T.; Bejnordi, B.E, Medical image analysis, 42, 60-88. (2017).
Índice de repositorios de imagen:
https://github.com/beamandrew/medical-data
https://sites.google.com/site/aacruzr/image-datasets
https://github.com/sfikas/medical-imaging-datasets
https://grand-challenge.org/challenges/
Plataformas de software: Keras, TensorFlow y Pytorch
Conferencias científicas de referencia:
MICCAI (Medical Image Computing and Computer-Assisted Intervention)
IPMI (Information Processing in Medical Imaging)
ISBI (International Symposium on Biomedical Imaging)
MIDL (Medical Imaging with Deep Learning)