影像组学
基础学习内容：
- 特征提取：使用pyradiomics进行形状、纹理、小波变换等特征提取。
- 特征筛选：应用ICC、相关系数、mRMR、Lasso等方法。
- 建模：使用LR、SVM、RF、XGBoost、LightGBM等机器学习算法。
- 模型评估：通过AUC、Sens、Spec、ROC、DCA等指标进行评估。
进阶学习内容：
- ROI处理：裁剪、扩展、周围区域处理。
- 深度学习模型训练：使用Resnet、inception、DenseNet、Shufflenet、mobilenet等。
- 特征提取与建模：将深度学习特征转化为结构化数据，进行机器学习算法建模。
- 3D数据处理：尝试3D数据处理，解决过拟合问题，探索3D与2D的差异。
- 变通方案：超分重建技术，序列相互生成，半监督学习。
高级学习内容：
- 端到端模型：构建大型网络结构解决临床问题。
- 生境分析：分析肿瘤微环境，进行subregion可解释性分析。
- 无监督聚类：基于Kmeans进行体素点特征刻画。
- 多模态数据配准：处理不同模态的数据融合。
病理组学
基础学习内容：
- 数据提取：使用cellprofiler、qupath提取细胞密度、量等结构化数据。
- 特征筛选与降维：应用Lasso等方法。
- 建模：使用机器学习算法。
进阶学习内容：
- ROI标注：使用qupath进行ROI标注。
- WSI处理：裁剪成Patch，预处理（去背景、颜色标准化）。
- 深度学习模型训练：使用VGG、ResNet等模型，训练Patch概率和标签。
- Patch到WSI的聚合：使用Average Ensemble、Multi Instance Learning等方法。
高级学习内容：
- 自监督学习：基于自监督的深度学习模型，如人脸识别技术。
- 图网络模型：使用GNN、GCN等图网络模型。
- 模型调参：构图和模型调参的难点。
深度学习
基础学习内容：
- 模型训练：训练深度学习模型，如Resnet、inception、DenseNet等。
- 特征提取：从深度学习模型中提取特征。
进阶学习内容：
- 模型升级：引入Transformer结构，如VIT，或自定义网络结构。
- 标准化：使用GAN进行图像标准化。
- 多实例学习：基于DNN模型的多实例学习。
高级学习内容：
- 自监督学习：利用自监督学习提升模型性能。
- 图网络：应用GNN、GCN等图网络模型。
- 端到端模型：构建端到端模型解决复杂临床问题。
分析内容
- 特征分析：分析提取的特征对模型性能的影响。
- 模型性能：评估不同模型的性能，如AUC、Sens、Spec等。
- 数据融合：探索不同数据源的融合方法，如多模态数据。
- 临床应用：将模型应用于临床问题，如肿瘤微环境分析、瘤内瘤周分析等。
这些内容涵盖了从基础到高级的学习和分析过程，旨在帮助研究人员和从业者在影像组学、病理组学和深度学习领域内进行有效的研究和应用开发。
此处引用推销课程的课程自学清单，提取出我们自学的人应该走什么样的路：
https://mp.weixin.qq.com/s/gCnlf2YQ0srQNhS39PjPDg
