Teaching Guides Query



Academic Year: 2024/25

633 - Master's Degree in Biomedical Engineering

69737 - Deep Learning solutions for Biomedical Data Science


Teaching Plan Information

Academic year:
2024/25
Subject:
69737 - Deep Learning solutions for Biomedical Data Science
Faculty / School:
110 - Escuela de Ingeniería y Arquitectura
Degree:
633 - Master's Degree in Biomedical Engineering
ECTS:
3.0
Year:
1
Semester:
Second semester
Subject type:
Optional
Module:
---

1. General information

The general objective of the course is to introduce students to the discipline of deep neural networks, showcasing some of their applications in the field of biomedical engineering. This course extends concepts and applications from previous subjects in the first bimester (Machine Learning/Técnicas de reconocimiento de patrones and Medical image analysis/Análisis de imágenes médicas), although there are no exclusive prerequisites.
 
Machine learning tools based on deep neural networks are revolutionizing many scientific fields and everyday life due to their excellent performance in solving complex problems and tasks. Hence, the growing and recent interest from both companies and research. This course proposes deep neural network-based solutions for the analysis of biomedical data: medical images, sequences with clinical information (genomics, proteomics, metabolomics), and clinical data in table format.
 

2. Learning results

  • To be able to design, implement, and evaluate machine learning systems based on deep neural networks for segmentation and registration of medical images
  • To be able to design, implement, and evaluate machine learning systems based on deep neural networks for the analysis of sequences of biomedical data (genomics, proteomics, metabolomics)
  • To understand deep neural network approaches for the analysis of clinical data in table format 
  • To understand deep neural network approaches for the analysis of data structured as graphs

3. Syllabus

Topic 1. Deep neural networks for medical image segmentation and registration. 
Topic 2. Analysis of tabular data with deep neural networks. 
Topic 3. Analysis of sequences using deep neural networks. Examples for genomics and proteomics. 
Topic 4. Analysis of graph-structured data with neural networks. 
Topic 5. Bayesian paradigm of neural networks.

4. Academic activities

The following training activities are proposed:
  • Participative master class (18 hours): presentation by the teacher of the main contents of the subject. The computer will be extensively used in explanations and examples.
  • Case study presentations (4 hours). Extensive use of the computer will be made in explanations and examples.
  • Laboratory work (8 hours). Each student will individually carry out two practical assignments or projects, which may include an oral defense in front of the professor, and in some cases, in front of other classmates. One project will focus on neural networks for segmentation/registration of medical images, and the other on the analysis of biomedical sequence data.
  • Tutoring. Personalized attention to students in order to review and discuss the materials and topics presented in the theoretical and practical classes.
  • Evaluation (3h) Set of theoretical-practical written tests and presentation of reports or papers used in the evaluation of the student's progress. Details can be found in the section corresponding to the assessment activities.
  • Individual study.
 
This course is English Language Friendly, meaning that the course syllabus is also available in English; study and class materials are in English; the course faculty is willing to conduct tutorials in English; students are allowed to take their evaluation tests in English.

5. Assessment system

There are two evaluation procedures to choose from:
 
a) Mixed evaluation, which is the recommended procedure, given the practical focus of the course. It consists of two distinct parts:
  • Projects of the subject (40%): for each of the two mandatory projects, a brief report with the most relevant results and conclusions will be submitted, which may include an oral presentation. There may be an oral presentation. These assignments will be carried out continuously throughout the weeks of the course with previously established and announced deadlines. The evaluation will assess aspects of originality in the proposed solutions, efficiency of the applied methods, presentation of the report and eventual oral presentation. It will be necessary to present both projects, with a minimum grade of 4 points in each of the projects.
  • Final exam (60%) Written test, graded from 0 to 10 points. This test will be written, and the computer may be eventually used for some of its parts. The student must obtain a minimum total grade of 4 points out of 10 in the final exam. 
b) Simple evaluation, which will consist of a single global test, to be carried out on the date of each of the two official calls. This global test will consist of a global written test, similar to the final exam previously described, and therefore will have a theoretical/conceptual part, and a practical part related to the tasks/projects carried out during the academic year. The practical part of the global test will be evaluated with the results delivered and potentially an oral defence before the teacher.

6. Sustainable Development Goals

3 - Good Health & Well-Being
8 - Decent Work and Economic Growth
9 - Industry, Innovation and Infrastructure


Curso Académico: 2024/25

633 - Máster Universitario en Ingeniería Biomédica

69737 - Análisis de datos y señales biomédicas mediante redes neuronales profundas


Información del Plan Docente

Año académico:
2024/25
Asignatura:
69737 - Análisis de datos y señales biomédicas mediante redes neuronales profundas
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
633 - Máster Universitario en Ingeniería Biomédica
Créditos:
3.0
Curso:
1
Periodo de impartición:
Segundo semestre
Clase de asignatura:
Optativa
Materia:
---

1. Información básica de la asignatura

El objetivo general de la asignatura es introducir al alumno en la disciplina de las redes neuronales profundas, mostrando algunas de sus aplicaciones en el ámbito de la ingeniería biomédica. En esta asignatura se extienden conceptos/aplicaciones de asignaturas previas del bimestre 1 (Técnicas de reconocimiento de patrones y Análisis de imágenes médicas), aunque no existen prerrequisitos excluyentes.
 
Las herramientas de aprendizaje automático basadas en redes neuronales profundas están revolucionando muchos de los ámbitos científicos y de la vida cotidiana, por sus excelentes prestaciones en la resolución de problemas/tareas complejas. Es por ello su interés creciente y reciente, tanto desde las empresas como de la investigación. En esta asignatura se proponen soluciones basadas en redes neuronales profundas para el análisis de datos biomédicos: imágenes médicas, secuencias con información clínica (genómica, proteómica, metabolómica), datos clínicos en formato de tabla.

 

2. Resultados de aprendizaje

  • Ser capaz de diseñar, implementar y evaluar sistemas de aprendizaje automático basados en redes neuronales profundas para la segmentación y registro de imágenes médicas.
  • Ser capaz de diseñar, implementar y evaluar sistemas de aprendizaje automático basados en redes neuronales profundas en secuencias de datos biomédicos (genómica, proteómica, metabolómica)
  • Conocer propuestas de redes neuronales profundas para el análisis de datos clínicos en formato tabla
  • Conocer propuestas de redes neuronales profundas para el análisis de datos biomédicos estructurados en grafos

3. Programa de la asignatura

Tema 1. Redes neuronales profundas para la segmentación y registro de imágenes médicas.
Tema 2. Análisis de datos en formato tabla con redes neuronales profundas.
Tema 3. Análisis de secuencias mediante redes neuronales profundas. Ejemplos para genómica, proteómica.
Tema 4. Análisis de datos estructurados en grafos mediante redes neuronales.
Tema 5. Paradigma bayesiano de las redes neuronales.

4. Actividades académicas

Se proponen las siguientes actividades formativas:
• Clase magistral participativa (18 horas). Exposición por parte del profesor de los principales contenidos de la asignatura. Se hará uso extensivo del ordenador en las explicaciones y ejemplos. 
• Exposición de casos prácticos (4 horas). Se hará uso extensivo del ordenador en las explicaciones y ejemplos. 
• Prácticas de laboratorio (8h). Cada alumno realizará de forma individual dos trabajos prácticos o proyectos, que podrán incluir una defensa oral delante del profesor, y en algún caso, delante del resto de compañeros. Uno de los proyectos versará sobre redes neuronales para la segmentación/registro de imágenes médicas y el otro para el análisis de datos de secuencias biomédicas.
• Tutoría. Horario de atención personalizada al alumno con el objetivo de revisar y discutir los materiales y temas presentados en las clases tanto teóricas como prácticas.
• Evaluación (3 horas). Conjunto de pruebas escritas teórico-prácticas y presentación de informes o trabajos utilizados en la evaluación del progreso del estudiante. El detalle se encuentra en la sección correspondiente a las actividades de
evaluación
• Estudio individual del alumno.
 
Esta asignatura es English Language Friendly, lo que significa que: el programa de la asignatura está también disponible en inglés; los materiales de estudio y de clase están en inglés; el profesorado de la asignatura está dispuesto a atender las tutorías en inglés; se permite que el estudiante realice sus pruebas de evaluación en inglés.

5. Sistema de evaluación

 
Se podrá optar entre dos procedimientos de evaluación:
 
a) Evaluación mixta, que es el procedimiento que se recomienda, dadas el enfoque práctico de la asignatura. Consta de dos partes diferenciadas:
  • Proyectos de la asignatura (40%): en cada uno de los dos proyectos obligatorio, se entregará una breve memoria con los resultados y conclusiones más relevantes y podrán tener una exposición oral. Estos trabajos se realizan de forma continua a lo largo de las semanas del curso con fechas de entrega previamente establecidas y anunciadas. La evaluación valorará aspectos de originalidad en las soluciones propuestas, eficiencia de los métodos aplicados, presentación de la memoria y eventual presentación oral. Será necesario presentar los dos proyectos, con una nota mínima de 4 puntos en cada uno de los proyectos.
  • Examen final (60%) Prueba escrita, con puntuación de 0 a 10 puntos. Esta prueba será escrita, y eventualmente se podrá utilizar el ordenador para alguna de sus partes. El alumno ha de obtener una puntuación mínima total de 4 puntos sobre 10 en el examen final.
b) Evaluación simple, que consistirá en una única prueba global, a realizar en la fecha de cada una de las dos convocatorias oficiales. Dicha prueba global constará de una prueba global escrita, similar al examen final descrito previamente, y por tanto tendrá una parte teórico/conceptual, y otra parte práctica relacionada con las tareas/proyectos realizados durante el curso. La parte práctica de la prueba global se evaluará con los resultados entregados y potencialmente una defensa oral ante el profesor.

6. Objetivos de Desarrollo Sostenible

3 - Salud y Bienestar
8 - Trabajo Decente y Crecimiento Económico
9 - Industria, Innovación e Infraestructura