colabとKerasによる肺(CT)のセグメンテーション入門ハンズオン#1

イベント内容

概要

ディープラーニングでセグメンテーションを扱えるようになりたい人向けの勉強会です。
CT画像を使って肺の領域をセグメンテーションする実習です。 セグメンテーションを始めてみたいという方のために、無料のハンズオン開発講座をご用意いたしました。

環境はGoogle社が提供するColaboratory(以下colab)にアクセスした画面で行います。 colab によりテキストを読みながら、実習を行うことができるGPU環境を誰でも扱えるようになりました。 環境の概観を確認したい方は、まずは以下の公式サイトにアクセスしてみてください。

ハンズオンではcolab上でソース記述済みの環境を実行します。そのため、プログラム経験がない方でも実習を行うことができます。

特別講演として、放射線治療における輪郭抽出と題しまして、
東海大学医学部付属八王子病院放射線治療科
二上 菜津実先生 によるご講演を予定しております。先生は放射線治療人工知能研究会にて活動しております。放射線治療への人工知能応用に関する事業を行い、関連する各種学会、企業等の団体との連携を図るとともに放射線治療の発展に寄与することを目的とした活動をされています。

このハンズオンをお勧めする方

  • あまりプログラミング経験がないがセグメンテーションの概要を知りたい
    予めプログラムが記述・実行できますので、雰囲気を掴むことができます。
    実習ではコピー&ペーストによるプログラムの改良ができます。
  • ディープラーニングの入門は学んでおり、セグメンテーションは初めてだが学びたい
    実習では、セグメンテーションのためのモデルを解説します。
  • 医療向けのAIを学ぶとっかかりをつけたい
    肺のCT画像を使った実習を行いますので、そのようなデータでどのようなことができるかを実感いただけます。

講習概要

  • 学習形態:オンライン講習会
  • レベル:やや応用
  • 開催言語:日本語
  • 持ち物:PC + Googleアカウント
  • 場所:自宅(Zoom)
  • 講師:二上 菜津実先生、MasamichiYagi@JDLA E資格合格者

学習目標<本講座で得られること>

  • Kerasを使ったセグメンテーションの概要を説明できる
  • 学習を成功させるコツを理解できる

開場時間と時間割り

時間 概要 内容
14:00 開場 待機ルームの会場時間です。
14:00-14:05 事前案内 ハンズオンの趣旨説明
14:05-14:35 二上先生講演 放射線治療における輪郭抽出
14:35-14:50 質疑応答・休憩
14:50-16:20 セグメンテーションの実習 AIRT Lungデータセットと小さなU-Netによる肺の領域検出
16:20-16:35 質疑応答
16:35-16:45 アンケート記入
16:45-17:30 懇親会 参加者間での親睦を深め、個別課題や今後に向けてのディスカッションを予定しています。

Zoomの部屋のご案内

  • ご参加いただいた方に個別にご連絡します。
  • ご連絡は前日夜9時〜当日になります(受付終了後)。
  • 申込者以外への共有はご遠慮ください。
  • 欠席なされる方は必ずご連絡をお願いします。
    無断欠席が続く場合、参加をお断りする場合もごさいます。ご了承ください。

事前に予習しておくとよいこと

実習ではPythonを使います。以下のサイトで無償のPythonのe-Learningを受講いただけます。
* AIdemy コース一覧

ボランティアの募集

本ハンズオンは慈善活動として活動しています。
私達はディープラーニングの技術を広める活動にご協力いただける方を随時募集しています。
運営のお手伝いからでも構いません。専門分野に関する講演の活動でも構いません。幅広くお手伝いいただける方を募集しています。 ボランティア申請はこちらのGoogleフォームからお願いします。

今後の予定

中級編の学習目標

  • 分類・回帰を扱えるようになる
  • ベクトルデータ(テーブルデータ)での学習を行うことができる
  • ベクトルデータ(テーブルデータ)の前処理ができる
  • NN Playground を参考にベクトルデータのデータ拡張ができる
  • 2次元CNNにより画像データでの学習を行うことができる
  • 2次元CNNの転移学習ができる
  • RNN, LSTM, GRUを使えるようになる
  • 時系列データを扱うことができるようになる
  • RNN, LSTM, GRUを使ったテキスト生成や数値予測を行うことができる
  • 1次元CNNにより時系列データの扱いの幅を広く扱えるようになる
  • 3次元CNNにより、映像データ・CTデータを扱うことができるようになる
  • ニューラルネットワークの分岐・結合ができるようになる
  • ニューラルネットワークの結合により、複数の特徴を利用した学習ができるようになる
  • ニューラルネットワークの学習した特徴を可視化できる
  • 超解像ニューラルネットワークを作成できる
  • ノイズ除去ニューラルネットワークを作成できる

参考情報

JDLA合格者による推薦書籍・Web情報
これから書籍やWebで勉強をされる方は、JDLAに合格した先達が勉強されている方法が参考になると思います。

お問い合わせ

DL Techボランティア事務局

注意事項

※ こちらのイベント情報は、外部サイトから取得した情報を掲載しています。
※ 掲載タイミングや更新頻度によっては、情報提供元ページの内容と差異が発生しますので予めご了承ください。
※ 最新情報の確認や参加申込手続き、イベントに関するお問い合わせ等は情報提供元ページにてお願いします。

類似しているイベント