《医学影像智能处理与分析》教学大纲.docxVIP

PAGE1

《医学影像智能处理与分析》教学大纲

课程英文名

IntelligentMedicalImageProcessingandAnalysis

课程代码

03M0288

学分

2

总学时

32

理论学时

24

实验

学时

0

上机

学时

8

实践学时

0

课程类别

专业教育课

课程性质

选修

先修课程

Python程序设计、高级语言程序设计

适用专业

人工智能

开课学院

信息工程学院

执笔人

戚园园

审定人

专业评定小组

制定时间

2024年12月

注：课程类别是指公共基础课/学科基础课/专业教育课；课程性质是指必修/限选/任选。

一、课程地位与课程目标

（一）课程地位

本课程是人工智能专业的重要专业选修课，旨在将人工智能技术与医学影像处理相结合，为学生提供跨学科的知识体系和实践能力。本课程涵盖医学影像数据的获取、预处理、分割、分类、目标检测、三维重建及多模态融合等核心技术，并深入探讨深度学习和大模型在医学影像分析中的应用。通过理论讲解与实验实践，学生将掌握医学影像智能分析的关键算法和工具，培养解决医学影像诊断与临床辅助决策问题的能力，为智能医疗和精准医学的发展奠定坚实的基础。

（二）课程目标

该课程应达到的预期学习结果（ILO，IntendedLearningOutcomes）如下所示：

ILO-1：了解医学影像数据技术发展历程，熟悉医学影像数据预处理及可视化。

ILO-2：掌握Python编程解决实现医学影像智能处理的简单问题能力。

ILO-3：掌握医学影像分析的经典算法、模型框架，具备分析较复杂问题、设计和实现复杂任务的能力。培养学生树立正确的职业理想。.培养学生刻苦钻研、自主创新的工匠精神，厚植家国情怀。

二、课程目标达成的途径与方法

1.本课程的课程目标以课堂教学为主，作业，实验为辅。

2.通过理论联系实践让学生逐步具有医学任务分析和优化能力，问题分析分解以及知识转化的能力。

课程目标

课程目标达成的途径与方法

ILO-1

课堂教学、课堂讨论

ILO-2

课堂教学、实验、实验报告、课程报告

ILO-3

课堂教学、实验、课程报告

三、课程目标与相关毕业要求的对应关系

本课程支撑的毕业要求如下：

毕业要求1-1掌握从事人工智能所需的高等数学、线性代数、概率统计等数学知识，以及大学物理、工程图学等基础知识，能够应用于复杂工程问题的合理定义和恰当表述中。

毕业要求3-2能够针对特定需求独立进行智能系统设计，并通过仿真或实验等手段验证可行性。

毕业要求4-2能够基于人工智能科学原理和科学方法对复杂工程问题制定实验方案，构建实验系统进行实验。

课程目标对毕业要求的支撑关系如表1所示。

表1课程目标对毕业要求的支撑关系

课程目标

课程目标对毕业要求的支撑程度（H、M、L）

毕业要求1-1

毕业要求3-2

毕业要求4-2

课程目标1

M

课程目标2

H

课程目标3

H

注：1.支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。

四、课程主要内容与基本要求

第1章医学影像处理概述

1、医学影像的基本概念与类型

常见影像模式：X-ray、CT、MRI、超声、PET等

2、医学影像数据的采集与表示

图像格式（DICOM、NIfTI等）与元数据管理

3、医学影像处理的目标与挑战

高维数据的复杂性及数据隐私与伦理问题

4、医学影像处理技术的前沿发展

理解医学影像的基本概念和数据结构，掌握医学影像领域的常见处理目标与应用背景，了解目前国内在医学影像技术方面与国外的差距，发同学们为该领域作出贡献的积极性。

第2章医学影像预处理技术

1、数据标准化与归一化

2、图像增强与降噪技术

滤波方法（高斯滤波、中值滤波等）

直方图均衡化与自适应直方图均衡化

3、图像配准与对齐

基于特征点与基于区域的方法

仿射变换、刚性变换与非刚性变换

4、图像分割的基础概念

掌握医学影像预处理的常用方法与工具，能够对医学影像进行质量提升和标准化处理。

医学图像分割技术

1、经典图像分割方法

阈值分割、区域生长、边缘检测等

2、深度学习在图像分割中的应用

FCN、U-Net、SegNet的原理与结构

3D图像分割模型（如3DU-Net）

3、分割算法的评价指标

Dice系数、IoU、精确率与召回率

理解经典与现代分割算法的原理，能够实现并评估一个医学图像分割模型。

医学影像分类与识别

1、基于机器学习的图像分类方法

特征提取与分类器设计（如SVM、随机森林）

2、深度学习的分类方法

卷积神经网络（CNN）的应用

迁移学习与预训练模型（如ResNet、EfficientNet）

3、多标签分类与疾病识别

4、分类性能评价指标：混淆矩阵、A