SylabUZ
Course name | Extracting Knowledge from Medical Images |
Course ID | 06.9-WM-IB-EiIwM-D-16_19 |
Faculty | Faculty of Mechanical Engineering |
Field of study | Biomedical Engineering |
Education profile | academic |
Level of studies | Second-cycle studies leading to MSc degree |
Beginning semester | winter term 2022/2023 |
Semester | 2 |
ECTS credits to win | 4 |
Course type | obligatory |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Credit with grade |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
Celem kształcenia jest zdobycie wiedzy i umiejętności w zakresie wykorzystania metod przetwarzania, analizy obrazów medycznych w diagnostyce medycznej
Wykład:
Wprowadzenie do wizji komputerowej. Elementarne operacje i przekształcenia wykonywane na obrazie. Metody wykrywania krawędzi. Transformata Hougha oraz jej pochodne. Morfologia matematyczna. Przegląd algorytmów segmentacji. Tekstury. Zastosowanie sztucznych sieci neuronowych w segmentacji obrazów oraz detekcji i rozpoznawaniu obiektów. Przykłady automatycznych systemów wspomagających diagnostykę medyczną
Ćwiczenia laboratoryjne:
Wykorzystanie środowiska Python oraz ImageJ do przetwarzania obrazów. Modele barw. Operacje arytmetyczne i przetwarzanie morfologiczne. Wyznaczanie granic i konturów obiektów. Detekcja linii i okręgów. Progowanie histogramu. Algorytm wododziałowy i aktywnych konturów. Ekstrakcja cech. Zastosowanie sztucznych sieci neuronowych w zagadnieniu segmentacji obrazów medycznych oraz wykrywaniu i rozpoznawaniu obiektów.
Wykład - wykład konwencjonalny z wykorzystaniem wideoprojektora.
Laboratorium - zajęcia praktyczne, symulacje komputerowe.
Outcome description | Outcome symbols | Methods of verification | The class form |
wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich testów i sprawdzianów
laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich sprawdzianów i referatów
ocena końcowa = 0.5 ocena zaliczenia z formy zajęć wykład + 0.5 ocena zaliczenia z formy zajęć laboratorium
Dey S. Hands-On Image Processing with Python: Expert techniques for advanced image analysis and effective interpretation of image data, Packt Publishing, 2018
Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 30-04-2022 12:44)