Djupa faltningsnät med tillämpningar i medicinsk bildanalys, 7,5 hp

Innehåll

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, såsom stokastiska gradientmetoden, Adam, etc.; samt beskriver populära nätverksarkitekturer såsom t.ex. U-Net, ResNet och DenseNet, 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

Förväntade studieresultat

Efter avslutad kurs ska studenten kunna
Kunskap och förståelse

• Förklara och beskriva centrala begrepp inom maskininlärning, såsom t.ex. tränings- och valideringsdata, klassificering och regression, övervakad och oövervakad inlärning, bias och varians, förlustfunktion, generaliseringsfel, noggrannhet, felfrekvens, etc. (FSR1)
• Ingående beskriva centrala begrepp inom djupinlärning, såsom t.ex. djup, inlärningshastighet, hyperparametrar, tidigt avslut, överträning, regularisering, etc. (FSR2)
• Ingående beskriva de olika delarna i ett faltningsnätverk samt deras syfte, såsom lager, noder, aktiveringsfunktion, bortfall, förlustfunktion, residualkopplingar, etc. (FSR3)
• Beskriva stokastiska gradientmetoden, dess fördelar, samt de huvudsakliga skillnaderna mellan den och andra optimeringsalgoritmer som vanligen används för att ställa in nätverksparametrar. (FSR4)
• Ingående beskriva några av de vanligaste arkitekturerna och modellerna som används, samt redogöra för vilka de huvudsakliga fördelarna är med de olika arkitekturerna. (FSR5)

Färdigheter och förmågor

• Självständigt designa och utforma lämpliga nätverksarkitekturer, samt använda dessa i tillämpningar för t.ex. klassificering eller regression. (FSR6)
• Använda moderna mjukvarubibliotek för att bygga upp och träna djupa faltningsnätverk för att lösa specifika uppgifter. (FSR7)
• Utvärdera och jämföra prestanda och generalisering för djupa faltningsnätverk. (FSR8)

Värderingar och förhållningssätt

• Diskutera hur moderna maskininlärnings- och djupinlärningsmetoder påverkar människor, företag och samhället i stort. (FSR9)
• Diskutera tillståndet för fältet djupinlärning och dess plats inom maskininlärning samt i grova drag var fältet artificiell intelligens befinner sig i dag. (FSR10)
• På ett vetenskapligt sätt värdera olika lösningars för- och nackdelar. (FSR11)
• Kritiskt granska resultat eller utsagor från andra studier, eller t.ex produkter, som endera baseras på djupinlärning eller på annat sätt använder sig av det. (FSR12)

Behörighetskrav

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 (t.ex. 5DV104, 5DV157, 5DV158, 5DV176 eller 5DV177), minst 7,5 hp som behandlar Datastrukturer och algoritmer (t.ex. 5DV149, 5DV150 eller 5DV169), minst 7,5 hp som behandlar Linjär algebra (t.ex. 5MA019 eller 5MA160), minst 7,5 hp som behandlar Envariabelanalys 1 (t.ex. 5MA009, 5MA153), minst 7,5 hp som behandlar matematisk statistik (t.ex. 5MS005, 5MS045, 5MS043, 5MS068 eller 5MS069) eller motsvarande kunskaper.
Svenska för grundläggande behörighet för högskolestudier samt Engelska A/5. Krav på svenska gäller endast om utbildningen ges på svenska.

Undervisningens upplägg

Undervisningen 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.

Examination

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 består av tre obligatoriska uppgifter som redovisas skriftligt. Modulen bedöms med något av betygen Underkänd (U) eller Godkänd (G).
På hela kursen ges något av betygen Underkänd (U), Godkänd (G) eller Väl godkänd (VG). För att bli godkänd på hela kursen krävs att samtliga prov och obligatoriska moduler är godkända.

En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22§). Begäran om ny examinator ställs till prefekten för Institutionen för strålningsvetenskaper. Den som godkänts i ett prov får ej undergå förnyat prov för högre betyg.
Student som erhållit godkänt resultat på ett prov får ej genomgå förnyat prov.

För studerande som inte blivit godkänd vid ordinarie provtillfälle anordnas förnyat provtillfälle i enlighet med Umeå universitets Regler för betyg och examination på grund- och avancerad nivå (FS 1.1.2-553-14). Det första omprovet erbjuds senast två månader efter ordinarie provtillfälle. Undantaget de fall då ordinarie prov äger rum i maj eller juni månad, då erbjuds istället ett första omprovstillfälle inom tre månader efter ordinarie provtillfälle. Dessutom erbjuds ytterligare minst ett omprov inom ett år från ordinarie provtillfälle.

I de fall prov inte kan upprepas enligt gällande regler för omprov ska det istället ersättas med annan uppgift. Omfattningen av och innehållet i sådan uppgift ska stå i rimlig proportion till det missade provet.

Övriga föreskrifter

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.