Website
Modulhandbuch ab WS 2014/15

Modul CS4374-KP06

Medical Deep Learning (MDL)

Dauer:


1 Semester
Angebotsturnus:


Jedes Sommersemester
Leistungspunkte:


6
Studiengang, Fachgebiet und Fachsemester:
  • Master Medizinische Ingenieurwissenschaft 2020 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
  • Master Robotics and Autonomous Systems 2019 (Wahlpflicht), Wahlpflicht, 1. oder 2. Fachsemester
  • Master Medizinische Informatik 2014 (Wahlpflicht), Medizinische Informatik, 1. oder 2. Fachsemester
  • Master Medizinische Ingenieurwissenschaft 2014 (Wahlpflicht), Informatik/Elektrotechnik, 1. oder 2. Fachsemester
  • Master Medizinische Informatik 2019 (Vertiefungsmodul), Medizinische Informatik, 1. oder 2. Fachsemester
Lehrveranstaltungen:
  • CS4374-Ü: Medical Deep Learning (Übung, 2 SWS)
  • CS4374-V: Medical Deep Learning (Vorlesung, 2 SWS)
Workload:
  • 60 Stunden Präsenzstudium
  • 80 Stunden Selbststudium
  • 40 Stunden Prüfungsvorbereitung
Lehrinhalte:
  • Gesundheitsversorgung für Herzerkrankungen:
  • EKG-Signalanalyse zur Arrhythmieerkennung oder Schlafapnoe und für mobile Low-Cost-Geräte
  • MRT-Sequenzanalyse zur anatomischen Segmentierung und zeitlichen Modellierung
  • Multimodales Retrieval klinischer Fälle und Vorhersage:
  • Pathologie und semantische Bilderfassung und -lokalisierung
  • Analyse von Text / natürlicher Sprache (Radiologieberichte / Studienartikel) für multimodales Data Mining in Electronic Health Records (EHR)
  • Computergestützte Erkennung und Klassifizierung von Krankheiten:
  • CT Lungenknotenerkennung für die Krebsvorsorge mit Transferlernen
  • Schwach überwachte Anomalieerkennung und Biomarkererkennung
  • Interpretierbare und zuverlässige Deep Learning Systeme
  • Menschliche Interaktion und Korrektur innerhalb von Deep-Learning-Modellen
  • Visualisierung von Unsicherheiten und intern erlernten Darstellungen
  • Deep Learning Konzepte, Architekturen und Hardware
  • Faltungsnetzwerke, Residuales Lernen, Tiefe Netzwerke
  • Verlustfunktionen, Ableitungen, stochastische Optimierung
  • Azyklische Graphennetzwerke, generative adversariale Netzwerke
  • Cloud Computing, GPUs, Low Precision Computing, DL-Frameworks.
Qualifikationsziele/Kompetenzen:
  • Die Studierenden kennen die Bedeutung von Datensicherheit, Patientenanonymisierung und Ethik für klinische Studien mit sensiblen Daten.
  • Sie kennen Methoden und Werkzeuge zum Sammeln, Vorverarbeiten, Speichern und Annotieren großer Datensätze für das tiefe Lernen aus medizinischen Daten.
  • Sie haben ein gutes Verständnis für tiefe / faltungsneuronale Netzwerke für die allgemeine Datenverarbeitung (Signale / Text / Bilder), ihren Lernprozess und die Bewertung ihrer Qualität für neue Daten.
  • Sie verstehen die Prinzipien von schwach überwachtem Lernen, Transferlernen, Konzeptfindung und generativen adversarialen Netzwerken.
  • Sie wissen, wie man erlernte Merkmalsdarstellungen für die Interpretation und Visualisieren von hochdimensionalen abstrakten Daten untersucht.
  • Sie können moderne Netzwerkarchitekturen in DL-Frameworks implementieren und diese an gegebene Probleme in der Medizin anpassen und erweitern.
  • Sie haben einen breiten Überblick über aktuelle Anwendungen des tiefen Lernens in der Medizin in Forschung und klinischer Praxis und können ihr Wissen auf zukünftige Themen übertragen.
Vergabe von Leistungspunkten und Benotung durch:
  • Klausur oder mündliche Prüfung nach Maßgabe des Dozenten
Modulverantwortlicher:
Lehrende:
Literatur:
  • Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning - The MIT Press
Sprache:
  • Englisch, außer bei nur deutschsprachigen Teilnehmern
Bemerkungen:

Zulassungsvoraussetzungen zum Modul:
- Keine

Zulassungsvoraussetzungen zur Prüfung:
- Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vorleistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein.

Letzte Änderung:
16.12.2019

Modulhandbuch online

Zur Liste aller Module