Fornecer os conhecimentos básicos para utilização de ferramentas de tratamento e modelagem de dados e suas aplicações em física médica.
O programa está dividido em duas partes. A primeira parte é voltada para o estudo teórico das técnicas de aprendizado estatístico e aprendizado de máquina. A segunda parte é devotada para aplicações em física médica envolvendo Radioterapia, Medicina Nuclear, Radiodiagnóstico, Ressonância Magnética e Ultrassom.
1- Análise exploratória: Seleção, visualização e pré-processamento dos dados. 2- Aprendizado de Máquina Análise de Componentes Principais. Classificador Naive Bayes. Máquinas de vetores de suporte (SVMs). Árvores de decisão. Regressão Multivariada e Logística. 3- Redes Neurais Introdução a Redes Neurais Artificiais Rede Perceptron: princípio de funcionamento, análise matemática e processo de treinamento. Rede Adaline: princípio de funcionamento, processo de treinamento e comparação com Perceptron. Rede Perceptron Multicamadas: princípio de funcionamento, processo de treinamento, aplicabilidade, aspectos de especificação topológica e de implementação de redes multicamadas. Redes Neurais Recorrentes. 4- Aplicação de Data Science em física médica Radioterapia. Medicina Nuclear. Radiodiagnóstico. Ressonância Magnética. Ultrassom
MUELLER, John Paul; MASSARON, Luca. Aprendizado de Máquina para Leigos. Alta Books (2 de maio de 2019). GRUS, Joel. Data Science do zero: Primeiras regras com o Python. Alta Books, 2019. PEDREGOSA, FABIAN ET AL. SCIKIT-LEARN: MACHINE LEARNING IN PYTHON. THE JOURNAL OF MACHINE LEARNING RESEARCH, V. 12, P. 2825-2830, 2011. GARRETA, RAUL; MONCECCHI, GUILLERMO. LEARNING SCIKIT-LEARN: MACHINE LEARNING IN PYTHON. PACKT PUBLISHING LTD, 2013. RASCHKA, SEBASTIAN; MIRJALILI, VAHID. PYTHON MACHINE LEARNING: MACHINE LEARNING AND DEEP LEARNING WITH PYTHON, SCIKIT-LEARN, AND TENSORFLOW 2. PACKT PUBLISHING LTD, 2019. HAYKIN, Simon. Redes neurais: princípios e prática. Bookman Editora, 2007. DA SILVA, Ivan Nunes; SPATTI, Danilo Hernane; FLAUZINO, Rogério Andrade. Redes Neurais Artificiais para engenharia e ciências aplicadas curso prático. São Paulo: Artliber, 2010. Corrar, LJ, Paulo, E, & Dias Filho, JM (Coords.). Introdução à Análise Multivariada. São Paulo: Atlas, 2007. GE, Yaorong; WU, Q. Jackie. Knowledge‐based planning for intensity‐modulated radiation therapy: a review of data‐driven approaches. Medical physics, v. 46, n. 6, p. 2760-2775, 2019. HOSNY, Ahmed et al. Artificial intelligence in radiology. Nature Reviews Cancer, v. 18, n. 8, p. 500-510, 2018. HUANG, Ouwen et al. Mimicknet, mimicking clinical image post-processing under black-box constraints. IEEE transactions on medical imaging, v. 39, n. 6, p. 2277-2286, 2020. LE, E. P. V. et al. Artificial intelligence in breast imaging. Clinical radiology, v. 74, n. 5, p. 357-366, 2019. MAZUROWSKI, Maciej A. et al. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI. Journal of magnetic resonance imaging, v. 49, n. 4, p. 939-954, 2019. NIELSEN, Jonathan Scharff; EDMUND, Jens Morgenthaler; VAN LEEMPUT, Koen. Magnetic resonance-based computed tomography metal artifact reduction using Bayesian modelling. Physics in Medicine & Biology, v. 64, n. 24, p. 245012, 2019. SUZUKI, Kenji; CHEN, Yisong (Ed.). Artificial intelligence in decision support systems for diagnosis in medical imaging. Springer, 2018.
