1. SylabUZ
2. Faculty of Mechanical Engineering
3. winter term 2022/2023
4. Biomedical Engineering - Second-cycle studies leading to MSc degree
5. Extracting Knowledge from Medical Images

Generate PDF for this page

Extracting Knowledge from Medical Images - course description

Aim of the course

Celem kształcenia jest zdobycie umiejętności i kompetencji w zakresie wykorzystania metod przetwarzania, analizy obrazów medycznych oraz uczenia maszynowego w diagnostyce medycznej

Prerequisites

Save changes

Scope

Wykład:

Wykład 1: Wprowadzenie do zagadnień wizji komputerowej. 
Wykład 2: Elementarne operacje i przekształcenia wykonywane na obrazie. 
Wykład 3: Filtracja obrazów. 
Wykład 4: Morfologia matematyczna.
Wykład 5: Wprowadzenie do zagadnienia segmentacji obrazów. Przegląd metod segmentacji.  
Wykład 6: Metody ekstrakcji i selekcji cech morfometrycznych. 
Wykład 7: Analiza tekstur.
Wykład 8: Wprowadznie do klasyfikacji danych oraz regresja logistyczna.
Wykłąd 9: Zaawansowane metody klasyfikacji danych. 
Wykłąd 10: Wprowadzenie do sztucznych sieci neuronowych.
Wykład 11: Uczenie głębokie.
Wykład 12: Zastosowanie głębokich sieci neuronowych do segmentacji i klasyfikacji obrazów medycznych. 
Wykłąd 13: Budowa zautomatyzowanych systemów diagnostyki obrazowej. 
Wykład 14: Przykład automatycznego systemu diagnostycznego wspomagającego cytodiagnostykę.
Wykład 15: Zaliczenie na ocenę - sprawdzian.  

Ćwiczenia laboratoryjne:
Laboratorium 1. Wprowadzenie do środowiska ImageJ i języka Python.
Laboratorium 2: Odczyt i zapis obrazu oraz reprezentacja obrazu.
Laboratorium 3: Operacje arytmetyczne na obrazie.
Laboratorium 4: Przetwarznie wstepnę obrazu, modyfikacja kontrastu i histogramu.    
Laboratorium 5: Filtracja obrazu.
Laboratorium 6: Wykonwyanie operacji morfologicznych na obrazie.
Laboratorium 7: Detekcja krawędzi, linii i okręgów. 
Laboratorium 8: Segmentacja obrazu z wykorzystaniem metody wododziałowej i aktywnych konturów.
Laboratorium 9: Wyznaczanie cech morfometrycznych i teksturalnych z obrazów medycznych.
Laboratorium 10: Klasyfikacja danych z wykorzystaniem regresji logistycznej oraz maszyny wektorów nośnych (SVM).
Laboratorium 11: Budowa i uczenie prostej sieci neuronowej.
Laboratorium 12: Zastosowanie głebokiej sieci neuronowej do klasyfikacji obrazów.
Laboratorium 13: Zastosowanie głebokiej sieci neuronowej do segmentacji obrazów.  
Laboratorium 14: Budowa prostego systemu do klasyfikacji obrazów medycznych.
Laboratorium 15: Sprawdzian.

Teaching methods

Wykład - wykład konwencjonalny z wykorzystaniem wideoprojektora.
Laboratorium - zajęcia praktyczne, symulacje komputerowe.

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

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

Recommended reading

1. Gonzalez R.C, Woods R.E. Digital Image Processing, Prentice Hall, 2009
2. Gonzalez R.C, Woods R.E, Eddins S.L. Digital Image Processing Using MATLAB, 2004
3. Cytowski J., Gielecki J., Gola A.: Cyfrowe przetwarzanie obrazów medycznych. Algorytmy. Technologie. Zastosowania, Exit, 2008
4. Strzelecki M., Zieliński K. W.: Komputerowa analiza obrazu biomedycznego. Wstęp do morfometrii i patologii ilościowej.PWN, 2013.
5. Tadeusiewicz R., Korohoda P.: Komputerowa analiza i przetwarzanie obrazów, FPT, Warszawa, 1997
6. Kwiatkowski W.: Metody automatycznego rozpoznawania wzorców, BEL-Studio, Warszawa, 2001.
7. Tadeusiewicz R., Flasiński M.: Rozpoznawanie obrazów, PWN, Warszawa, 1991.
8. Nieniewski M.: Segmentacja obrazów cyfrowych. Metody segmentacji wododziałowej, Akademicka Oficyna Wydawnicza Exit, 2015.
9. Perez J.M.M., Pascau J.: Image Processing with ImageJ, Packt Publishing, 2013.
10. Goodfellow I., Bengio Y., Courville A., Deep Learning. Współczesne systemy uczące się, PWN, 2018
11. Chollet F., Deep Learning., Praca z językiem Python i biblioteką Keras, Helion, 2019
12. Geron A., Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Helion, 2020 

Further reading

1. Nałęcz, M. (red.): Biocybernetyka i Inżynieria Biomedyczna 2000. Tom 6 Sztuczne sieci neuronowe, Tom 10 Obrazowanie medyczne. Akademicka Oficyna Wydaw. EXIT, Warszawa 2000
2. Duda P., Hart R., Stork O.: Pattern Classification, Wiley, New York, 2000
3. Watkins C.D., Sadun A., Marenka S.: Nowoczesne metody przetwarzania obrazu, WNT, Warszawa, 1995
4. Larose D. T.: Odkrywanie wiedzy z danych, PWN, Warszawa, 2006.
5. Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.
6. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.

Notes

Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 18-10-2022 09:03)