Última actualización: 19/04/2024


Curso Académico: 2024/2025

Inteligencia Artificial en radiología y microscopía
(19289)
Máster Universitario en Aprendizaje Automático para la Salud (Plan: 480 - Estudio: 359)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: PASCAU GONZALEZ GARZON, JAVIER

Departamento asignado a la asignatura: Departamento de Bioingeniería

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Se recomienda haber superado, o haber adquirido conocimientos previos al máster de las asignaturas de Procesado de Imagen Biomédica, Aprendizaje Automático y Aprendizaje Profundo.
Objetivos
La asignatura 'Inteligencia Artificial en Radiología y Microscopía' explora la intersección de la IA, la radiología y la microscopía, enseñando a los estudiantes a plicar técnicas de aprendizaje automático y visión por computadora al análisis de imágenes médicas. Cubriendo temas como segmentación, clasificación y diagnóstico automatizado, los estudiantes participarán en ejercicios prácticas y colaboración interdisciplinaria para adquirir habilidades prácticas y abordar las implicaciones éticas de la imagen médica impulsada por la IA. Los objetivos particulares del curso son: - Proporcionar una compresión integral de los principios, técnicas y aplicaciones de la IA en los campos de la radiología y la microscopía. - Familiarizar a los estudiantes con los últimos avances en tecnologías de IA, como el aprendizaje profundo, el aprendizaje automático y la visión por computadora, y su papel en la mejora de la precisión y eficiencia del análisis de imágenes radiológicas y microscópicas. - Desarrollar habilidades en el uso de herramientas y algoritmos de IA para la identificación, segmentación y clasificación de imágenes médicas, incluyendo radiografías, tomografías computarizadas, resonancias magnéticas e imagen microscópica. - Dotar a los estudiantes con las habilidades necesarias para evaluar criticamente las fortalezas, limitaciones e implicaciones éticas de las aplicaciones de IA en radiología y microscopía. - Fomentar la colaboración interdisciplinaria entre científicos de la computación, ingenieros, radiólogos y patólogos, promoviendo una compresión más profunda de las sinergias potenciales entre estos campos. - Promover una cultura de innovación e investigación en la aplicación de la IA a la radiología y microscopía, inspirando a los estudiantes a contribuir al desarrollo de nuevos algoritmos, técnicas y soluciones que aborden los desafíos existentes y las necesidades emergentes en estos campos. - Preparar a los estudiantes para carreras en imágenes médicas impulsadas por IA, proporcionándoles el conocimiento y las habilidades necesarias para sobresalir en entornos de investigación, industria y clínicos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. IA en imagen biomédica - Antecedentes históricos - Desarrollos recientes - Impacto de los métodos en la investigación y práctica clínica 2. Evaluación de métodos basados en IA -Bases de datos públicas - Competiciones 3. Métodos basados en IA en microscopía - Reducción del ruido y preprocesado - Segmentación - Síntesis de imágenes - Detección y seguimiento de objetos - Consideraciones prácticas y soluciones existentes 4. Métodos basados en IA en radiología y radioterapia - Segmentación - Síntesis de imágenes - Clasificación y diagnóstico automático - Predicción de respuesta a tratamiento - Consideraciones prácticas y soluciones existentes 5. Consideraciones éticas, protección de datos, aprendizaje federado 6. Seminarios invitados (Investigadores y empresas como Siemens, Cella, Spotlab...)
Actividades formativas, metodología a utilizar y régimen de tutorías
AF3 Clases teórico prácticas AF4 Prácticas de laboratorio AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales Código actividad Nº Horas totales Nº Horas Presenciales Nº Horas No Presenciales AF3 84 84 0 AF4 63 63 0 AF6 90 0 90 AF7 222 0 222 AF8 9 9 0 TOTAL MATERIA 468 156 312
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Alejandro Frangi, Jerry Prince , Milan Sonka (Editors). Medical Image Analysis. Academic Press. 2023
  • Chen, P. M.,. Deep learning: an update for radiologists. Radiographics, 41(5), 1427-1445. 2021
  • Ronneberger, O., Fischer, P., Brox, T.. U-net: Convolutional networks for biomedical image segmentation. In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (eds) Medical Image Computing and Computer-Assisted Intervention ¿ MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer, Cham. https://doi.org/10.1007/978-3-319-24574-4_28. 2015
  • Volpe, G.. Roadmap on deep learning for microscopy. ArXiv. 2023
  • Zhou, S., Greenspan, S.K., Shen, D.. Deep learning for medical image analysis. Academic Press. 2017
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Chan, H.P., Samala, R.K., Hadjiiski, L. J., Zhou, C.. Deep learning in medical image analysis. Adv Exp Med Biol, 1213:3-21. 2020
  • Cohen, S.. Artificial intelligence and deep learning in pathology. Elsevier Health Sciences. 2020
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.