ODBIERZ TWÓJ BONUS :: »

Sztuczna inteligencja w medycynie. Kurs video. Analiza obrazów medycznych z użyciem AI

Podstawowe informacje:
Czas trwania: 05:31:19
Autor: Jolanta Podolszańska
Liczba lekcji: 19
Dla firm
Rozwiń umiejętności swoich pracowników dzięki kursom video
Dowiedz się więcej
  • Monitorowanie postępów pracowników. Przejrzyste raporty i imienne certyfikaty ukończenia kursów
  • Atrakcyjne rabaty dla zespołów. Im więcej pracowników liczy zespół, tym większy uzyskasz rabat
  • Doradztwo w wyborze tematyki szkoleń. Mamy setki kursów, dostosujemy program nauczania pod Twój zespół
Indywidualnie
111,75 zł 149,00 zł (-25%)
126,65 zł najniższa cena z 30 dni Dodaj do koszyka
Korzyści:
  • Certyfikat ukończenia
  • Materiały dodatkowe do kursu
  • Test online
  • Dożywotni dostęp
  • Dostęp w aplikacji (także offline)
  • Napisy w języku polskim
Ścieżki rozwoju w ebookpoint.pl

Czego się nauczysz?

  • Pracy z plikami DICOM w Pythonie (wczytywanie, zapisywanie, przeglądanie)
  • Struktury plików DICOM i ich zastosowania w TK, RM i RTG
  • Operacji na metadanych obrazów medycznych
  • Pracy z danymi w formatach CSV, JSON i Excel
  • Integracji danych obrazowych z informacjami klinicznymi
  • Czyszczenia danych i przygotowywania ich do analizy
  • Używania biblioteki pandas do analizy danych
  • Przetwarzania obrazów medycznych
  • Tworzenia modeli uczenia maszynowego
  • Ekstrakcji cech z obrazów do uczenia modeli
  • Budowy i trenowania sieci neuronowych w PyTorch
  • Pracy z tensorami i przyspieszania obliczeń z użyciem CUDA
  • Użycia PyTorch Lightning do organizacji treningu modeli
  • Budowy konwolucyjnych sieci neuronowych (CNN)
  • Zastosowania architektur takich jak ResNet i U-Net
  • Trenowania modeli do klasyfikacji zmian chorobowych
  • Segmentacji struktur na obrazach medycznych
  • Detekcji obiektów na obrazach TK/RM
  • Korzystania z technik Grad-CAM i explainable AI (XAI)
  • Zasad bezpiecznego wdrażania AI w medycynie
  • Pracy z dużymi zbiorami danych obrazowych
  • Optymalizacji pipeline’u analitycznego i treningowego
  • Przygotowywania modeli do wdrożenia w praktyce klinicznej
  • Strojenia hiperparametrów modeli
  • Porównywania skuteczności różnych architektur
  • Zbierania i analizy metryk jakości modeli
  • Projektowania pełnego pipeline’u – od DICOM do klasyfikatora
  • Rozpoznawania kierunków rozwoju AI w medycynie i obrazowaniu
  • Zasad współpracy w zespołach badawczych i klinicznych

Spis lekcji

1. Wstęp 00:18:28
1.1. O kursie
00:06:18
1.2 Instalacja i konfiguracja środowiska
00:12:10
2. Przygotowanie danych do modelowania 01:25:48
2.1. Podstawowe informacje o standardzie DICOM
00:11:10
2.2. Operacje na plikach w standardzie DICOM
00:28:41
2.3. Podstawy pracy z plikami CSV, JSON, Excel zawierających metadane obrazów
00:21:54
2.4. Podstawy integracji z bazą danych
00:24:03
3. Czyszczenie i przetwarzanie danych tabelarycznych i obrazowych 00:22:19
3.1. Podstawowe operacje przetwarzania danych tekstowych i obrazowych
00:22:19
4. Uczenie maszynowe w Pythonie 00:43:09
4.1. Tworzenie prostych modeli ML w Pythonie
00:43:09
5. Sieci neuronowe z PyTorch i Pytoch Lightning 00:29:26
5.1. Zapoznanie z pojęciem sieci neuronowych i frameworkiem Pytorch Lightning
00:29:26
6. Konwolucyjne sieci neuronowe (CNN) 00:39:17
6.1. Strojenie hiperparametrów sieci
OGLĄDAJ » 00:08:33
6.2. Architektura sieci CNN
00:14:01
6.3. Sieci ResNet i U-Net
OGLĄDAJ » 00:04:33
6.4. Ćwiczenie: trening modelu klasyfikacji zmian chorobowych na przykładzie zbioru danych APTOS
00:12:10
7. Segmentacja, detekcja obiektów i interpretowalność 00:56:24
7.1 Segmentacja obrazów medycznych
00:19:42
7.2. Wizualizacja aktywacji warstw, Grad-CAM.
00:14:54
7.3. Metody interpretacji i wyjaśnialności (Explainable AI) i zasady bezpiecznego wdrażania AI w medycynie
00:21:48
8. Analiza większych zbiorów danych i wdrożenia 00:26:34
8.1. Praca z dużymi zbiorami danych obrazowych i wdrożenie modeli w praktyce
00:26:34
9. Podsumowanie 00:09:54
9.1. Przyszłe kierunki rozwoju w obszarze AI i Computer Vision w medycynie i projekt własnego pipeline
00:08:57
9.2. Test końcowy
00:00:57

Obierz kurs na... sztuczną inteligencję w medycynie

Sztuczna inteligencja w medycynie, szczególnie w rozpoznawaniu obrazów medycznych, to najszybciej rozwijająca się dziedzina informatyki medycznej. AI stosowana do analizy obrazów z tomografii komputerowej (TK) czy rezonansu magnetycznego (RM) coraz skuteczniej wspiera lekarzy, którym pomaga stawiać precyzyjne diagnozy i podejmować trafne decyzje kliniczne. Ważną rolę w tym procesie odgrywają biblioteki takie jak Pydicom, umożliwiające sprawną obsługę standardu DICOM – podstawy obrazowania medycznego. Z kolei frameworki: PyTorch, PyTorch Lightning czy TensorFlow, pozwalają na tworzenie zaawansowanych sieci neuronowych, które potrafią automatycznie wykrywać zmiany chorobowe na obrazach. Za sprawą rosnącej integracji AI z medycyną powstają wyjątkowe możliwości zawodowe dla osób łączących wiedzę techniczną z medyczną. Praca w tej branży daje szansę na udział w przełomowych projektach, które realnie ratują życie i podnoszą jakość opieki zdrowotnej. Dynamiczny rozwój technologii sprawia, że zapotrzebowanie na ekspertów stale rośnie, a współpraca z czołowymi ośrodkami badawczymi i firmami technologicznymi przynosi cenne doświadczenia. Dlatego kariera związana ze sztuczną inteligencją i z obrazowaniem medycznym to doskonały wybór dla tych, którzy chcą łączyć nowoczesne technologie z realnym wpływem na zdrowie ludzi. Dzięki inwestycji w rozwój kompetencji w tym obszarze można się stać częścią innowacyjnej rewolucji, która nieustannie zmienia oblicze medycyny.

Sztuczna inteligencja w medycynie. Kurs video. Analiza obrazów medycznych z użyciem AI pozwoli Ci kompleksowo pracować z obrazami medycznymi w formacie DICOM, od ich wczytania aż po zaawansowaną analizę. Opanujesz techniki przygotowywania i oczyszczania danych, które są niezbędne do skutecznego trenowania modeli sztucznej inteligencji. Zbudujesz własny pipeline analizy obrazów medycznych, używając Pythona i frameworków PyTorch czy Tensorflow. Poznasz metody segmentacji i detekcji obiektów, które pozwolą Ci precyzyjnie wykrywać zmiany chorobowe na obrazach. Nauczysz się trenować konwolucyjne sieci neuronowe, a także oceniać jakość modeli za pomocą odpowiednich metryk. Dzięki praktycznym case study zyskasz doświadczenie, które od razu wykorzystasz w projektach badawczo-wdrożeniowych lub pracy w med-tech. Po ukończeniu kursu samodzielnie poradzisz sobie z preprocessingiem danych i wdrożysz pierwsze modele AI do analizy medycznych obrazów. Rozwiniesz podstawy, które pozwolą Ci dalej zgłębiać tematy związane z explainable AI, segmentacją 3D czy integracją modeli z systemami klinicznymi. Zdobyta wiedza otworzy przed Tobą drzwi do pracy w dynamicznie rozwijającej się branży informatyki medycznej i data science w ochronie zdrowia. To idealny kurs, jeśli chcesz się stać ekspertem AI w medycynie i mieć realny wpływ na poprawę diagnostyki i opieki zdrowotnej.

Każdy ekspert kiedyś zaczynał. Jeśli stawiasz pierwsze kroki w AI w medycynie – jesteś we właściwym miejscu. Zaczynamy od podstaw, ale celujemy wysoko.

Wybrane bestsellery

O autorze kursu video

Jolanta Podolszańska – badaczka i dydaktyczka związana z Uniwersytetem Jana Długosza w Częstochowie, gdzie prowadzi zajęcia z zakresu informatyki i sztucznej inteligencji w medycynie. Specjalizuje się w zastosowaniach głębokiego uczenia i analizy obrazów w diagnostyce klinicznej ze szczególnym uwzględnieniem danych DICOM i rekonstrukcji tomograficznej. Prowadzi zajęcia dydaktyczne na kierunku medical engineering (specjalność AI in medical diagnostics), w ich ramach przygotowuje studentów do praktycznego zastosowania metod sztucznej inteligencji w ochronie zdrowia. Jej doświadczenie obejmuje zarówno przetwarzanie obrazów, jak i budowę, a także wdrażanie modeli klasyfikacyjnych, segmentacyjnych i wyjaśnialnych (explainable AI). Na co dzień aktywnie uczestniczy w projektach badawczo-wdrożeniowych, tworzy własne narzędzia do rekonstrukcji i wizualizacji danych medycznych, prowadzi również warsztaty i prezentacje popularyzujące tematykę AI w diagnostyce medycznej. W pracy dydaktycznej łączy pasję do nauki z praktyką kliniczną. Po godzinach pasjonuje się popularyzacją nauki, szczególnie w obszarze medycyny i nowych technologii. W wolnym czasie chętnie projektuje warsztaty edukacyjne lub spaceruje po górach.

Oceny i opinie klientów: Sztuczna inteligencja w medycynie. Kurs video. Analiza obrazów medycznych z użyciem AI Jolanta Podolszańska (5)

Informacja o opiniach
Weryfikacja opinii następuje na podstawie historii zamowień na koncie Użytkownika umiejszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniającej do uzyskania rabatu w ramach Programu Kadr.
3.8
  • 6 (2)
  • 5 (1)
  • 4 (0)
  • 3 (0)
  • 2 (0)
  • 1 (2)
  • bardzo ciekaw temat

    Opinia: anonimowa Opinia dodana: 2025-12-30 Ocena: 6   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Obejrzałem ten kurs i byłem bardzo pozytywnie zaskoczony. Sięgnąłem po niego raczej z ciekawości, bez wielkich oczekiwań, a okazał się jednym z sensowniejszych materiałow o AI w medycynie, jakie do tej pory widziałem. Widać, że to nie jest przypadkowa kompilacja tematow, tylko przemyślany materiał. Duży plus za praktyczne podejście. Kurs zaczyna się od pracy z danymi medycznymi (dicom, informacje kliniczne), a potem naturalnie przechodzi do budowy i oceny modeli. pandas i pytorch są używane na realnych przykładach z obrazow TK, RM i RTG, a nie na sztucznych demo. Bardzo dobrze wypadają moduły o cnn, resnetach i unetach, a także segmentacja, detekcja obiektow i xai. Wszystko jest pokazane w kontekście medycznym, bez spłycania tematu i bez udawania, że to magia. Widać zrozumienie zarowno strony technicznej, jak i klinicznej. Jeśli miałbym się do czegoś przyczepić, to może momentami tempo jest nierowne i dźwięk mogłby być lepszy a temat wdrażania modeli do praktyki klinicznej mogłby być rozwinięty trochę szerzej. To jednak drobnostki.

    Rozwiń »
    Opinia: mglebowski Opinia dodana: 2025-12-29 Ocena: 6   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Kurs trochę krotki, ale daje zachętę na dalsze pogłębianie wiedzy z zakresu AI

    Opinia: anonimowa Opinia dodana: 2025-12-31 Ocena: 5   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Czy ten kurs został poddany jakiejkolwiek recenzji? To najgorszy jaki do tej pory widziałem. Obejrzałem ten kurs z ciekawości na platformie biblio i czuję się zobowiązany do podzielenia się opinią, tym bardziej, że nie przewidziano tam możliwości wystawienia recenzji. Już na poziomie podstawowym widać liczne oznaki nieuczciwej automatyzacji: opis kursu został wygenerowany przez LLM, podobnie jak notatniki i kody źrodłowe, wraz z komentarzami, ktore w trakcie nagrywania "w locie" są usuwane przez autorkę. Wiele lekcji nie wnosi żadnej realnej treści: są to nagrania, w ktorych autorka mowi dużo, ale kwestie merytoryczne, stanowiące sedno kursu ogranicza do pojedynczych zdań (np. w temacie interpretowalności pada jedynie lakoniczne jest coś takiego jak SHAP, mimo że nagranie trwa kilkadziesiąt minut). Zamiast praktycznych ćwiczeń autorka przewija nieuruchamiane notatniki Jupyter i lakonicznie komentuje fragmenty automatycznie wygenerowanego kodu. Dodatkowo, autorka bywa nieprecyzyjna w terminologii, miesza środowiska pracy (VS Code, Spyder, Colab), co wprowadza znaczny chaos, a w jednym z nagrań o bazach danych poświęca większość czasu na prezentację modelu ISO/OSI, zaledwie zdawkowo nawiązując do właściwego tematu. Całemu kursowi towarzyszą też liczne problemy techniczne: bardzo nierowne poziomy audio, szumy, zmienna jakość audio, a slajdy zawierają tabele tak małe i tak słabo powiązane z narracją, że trudno traktować je jako realne wsparcie dydaktyczne. Na szczegolnie krytyczną uwagę zasługuje rownież styl wypowiedzi autorki: używanie określeń typu obrzydliwe (w rożnych stopniach) w odniesieniu do patologicznych zmian skornych jest w kontekście materiału medycznego zachowaniem nieetycznym, nieprofesjonalnym i wręcz ordynarnym. Największym problemem pozostaje jednak to, że kurs w praktyce nie tłumaczy istoty podejścia ani do analizy danych, ani do uczenia maszynowego, ani do zastosowań tych tematow w domenie medycznej. W 90% jest to ogolny kurs o sieciach neuronowych, a odniesienia do medycyny są powierzchowne, często oderwane od kontekstu. Nawet tak fundamentalne elementy jak architektury sieci neuronowych omawiane są po jednym zdaniu, a strojenie hiperparametrow sieci pojawia się zanim w ogole wyjaśniono, z czym te architektury się wiążą. Całość sprawia wrażenie materiału niespojnego i chaotycznego do tego stopnia, że osoba początkująca prawdopodobnie nie wyniosłaby z niego żadnej wiedzy ani o technologiach AI, ani tym bardziej o zastosowaniach w medycynie, poza przypadkowo wspomnianymi pojęciami technicznymi. Kurs ten jest rażąco nieadekwatnym do ceny. Nie spodziewałem się po Videopoint aż takiej wpadki

    Rozwiń »
    Opinia: anonimowa Opinia dodana: 2025-12-26 Ocena: 1   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
  • Niestety, ale z tego kursu niczego nie mozna sie dowiedziec...

    Opinia: anonimowa Opinia dodana: 2025-12-26 Ocena: 1   
    Opinia niepotwierdzona zakupem
    Opinia dotyczy produktu: kurs video
    Czy opinia była pomocna:
więcej opinii »

Szczegóły kursu

Dane producenta » Dane producenta:

Helion SA
ul. Kościuszki 1C
41-100 Gliwice
e-mail: gpsr@helion.pl
Format: Online
Data aktualizacji: 2025-12-23
ISBN: 978-83-289-2938-8, 9788328929388
Numer z katalogu: 265203

Videopoint - inne kursy

Kurs video
111,75 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Alior Bank Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności dawny BNP Paribas Bank Ikona płatności Google Pay Ikona płatności ING Bank Śląski Ikona płatności Inteligo Ikona płatności iPKO Ikona płatności mBank Ikona płatności Millennium Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płacę z Citi Handlowy Ikona płatności Płacę z Getin Bank Ikona płatności Płać z BOŚ Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile