Engelskt namn: Deep Learning with Applications in Medical Imaging
Denna kursplan gäller: 2023-09-04 och tillsvidare
Kurskod: 3RA040
Högskolepoäng: 7,5
Utbildningsnivå: Avancerad nivå
Huvudområden och successiv fördjupning:
Medicinsk teknik: Avancerad nivå, kursens fördjupning kan inte klassificeras
Datavetenskap: Avancerad nivå, kursens fördjupning kan inte klassificeras
Betygsskala: Väl godkänd, godkänd, underkänd
Ansvarig institution: Radiofysik
Beslutad av: Programrådet för Biomedicinprogrammen, 2022-10-24
Reviderad av: Programrådet för Biomedicinprogrammen, 2022-12-08
Denna kurs behandlar djupa faltningsnät (eng. convolutional neural networks, CNNs) för datorseende, med tillämpningar inom medicinsk bildanalys. Kursen ger en introduktion till grundläggande begrepp inom maskininlärning, beskriver neuronnätverk (eng. neural networks) och området djupinlärning eller djup maskininlärning (eng. deep learning), och fördjupar sig sedan i djupa faltningsnätverk. Kursen beskriver de olika delarna som används för att bygga upp djupa faltningsnät och behandlar bl.a. filter, aktiveringsfunktioner, förlustfunktioner; regulariseringstekniker såsom bl.a. satsnormalisering (eng. batch normalisation) och bortfall (eng. dropout); förklarar flera av de olika icke-linjära optimeringsalgoritmer som används för att träna nätverken, samt beskriver populära nätverksarkitekturer, och diskuterar deras för- och nackdelar. Kursen behandlar även generativa modeller, såsom variationsautokodare (eng. variational autoencoder, VAE) och generativa motståndarnätverk (eng. generative adversarial network, GAN).
Studenter på kursen kommer att lära sig att implementera och träna moderna nätverksarkitekturer och djupinlärningsmetoder, och att tillämpa dessa på stora bilddata både på medicinska bilder och på andra bilder.
I kursen ingår två moduler:
Teoridel 5,5 hp
Laborationsdel 2,0 hp
Kunskap och förståelse
Studenten ska kunna
Färdigheter och förmågor
Studenten ska kunna
Värderingsförmåga och förhållningssätt
Studenten ska kunna
Univ: För tillträde till kursen krävs 90 hp avklarade studier i något av huvudområdena datavetenskap, fysik, elektronik, kemi, matematik eller matematisk statistik, eller 2 års avklarade studier (120 hp). Av dessa poäng krävs minst 7,5 hp i grundläggande programmeringsmetodik inom Python, C, och/eller Matlab, minst 7,5 hp som behandlar Datastrukturer och algoritmer, minst 7,5 hp som behandlar Linjär algebra, minst 7,5 hp som behandlar analys med begrepp som derivata och gränsvärden, minst 7,5 hp som behandlar matematisk statistik, eller motsvarande kunskaper. Engelska A/6 om kursen ges på engelska.
Undervisningen är campusbaserad och bedrivs i form av föreläsningar och datorlaborationer. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet. Det är studentens ansvar att i tid sätta sig in i materialet och förbereda eventuella frågor för att kunna få lämplig feedback. Undervisningen kan ske på engelska.
Modul 1 (Teoridel 5,5 hp, FSR 1-5, 9-12): Modulen examineras med skriftlig tentamina. Betyget på modulen bedöms med Underkänd (U), Godkänd (G) eller Väl godkänd (VG).
Modul 2 (Laborationsdel 2,0 hp, FSR 6-8): Modulen examineras individuellt med skriftliga uppgifter, med något av betygen Underkänd (U) eller Godkänd (G).
På hela kursen ges något av betygen Underkänd (U), Godkänd (G), Väl godkänd (VG). Betyget baseras på det betyg som erhölls på modul 1 och beslutas först när kursens samtliga prov är genomförda och betyg på båda modulerna är beslutade.
Student som erhållit godkänt resultat på ett prov får ej genomgå förnyat prov.
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination, och som har erhållit ett beslut om rätt till stöd från samordnare för studenter med funktionsnedsättning vid Studentcentrum, ska senast 10 dagar innan examinationen begära anpassning hos kursansvarig institution. Examinator beslutar om anpassad examination som sedan meddelas studenten.
I det fall att kursplan upphör att gälla eller genomgår större förändringar, garanteras studenter minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt föreskrifterna i den kursplan som studenten ursprungligen varit kursregistrerad på under en tid av maximalt två år från det att tidigare kursplan upphört att gälla.
Litteraturlistan är inte tillgänglig via den webbaserade utbildningskatalogen. Kontakta aktuell institution.