Celem kształcenia jest zdobycie umiejętności i kompetencji w zakresie wykorzystania metod przetwarzania, analizy obrazów medycznych oraz uczenia maszynowego w diagnostyce medycznej
Prerequisites
Scope
Wykłady:
Akwizycja obrazu. Metody obrazowania medycznego.
Elementarne przekształcenia obrazu.
Filtracja obrazów.
Morfologia matematyczna
Detektory i deskryptory cech I (wykrywanie krawędzi i narożników, gradient obrazu)
Detektory i deskryptory cech I (piramida skali i przestrzeni, detektor blob-ów, HoG, SIFT)
Analiza tekstur.
Segmentacja obrazów. (progowanie obrazu, metoda wododziałowa, transformata Hougha, aktywne kontury).
Klasyfikacja danych I (idea klasyfikacji, miary jakości klasyfikacji, regresja logistyczna)
Klasyfikacja danych II (zaawansowane metody klasyfikacji, walidacja, metody redukcji wymiarowości, metody selekcji cech)
Wprowadzenie do sztucznych sieci neuronowych
Splotowe sieci neuronowe
Detekcja i klasyfikacja obiektów za pomocą głębokich sieci neuronowych
Segmentacja obrazów za pomocą głębokich sieci neuronowych
Zaliczenie na ocenę - sprawdzian.
Ćwiczenia laboratoryjne:
Wprowadzenie do środowiska ImageJ i języka Python.
Odczyt i zapis obrazu oraz reprezentacja obrazu.
Operacje arytmetyczne na obrazie.
Przetwarzanie wstępne obrazu, modyfikacja kontrastu i histogramu.
Filtracja obrazu.
Wykonywanie operacji morfologicznych na obrazie.
Detekcja krawędzi, linii i okręgów.
Segmentacja obrazu z wykorzystaniem metody wododziałowej i aktywnych konturów.
Wyznaczanie deskryptorów i cech teksturalnych dla obrazów medycznych.
Klasyfikacja danych z wykorzystaniem regresji logistycznej oraz maszyny wektorów nośnych (SVM).
Budowa i uczenie prostej sieci neuronowej.
Zastosowanie głębokiej sieci neuronowej do klasyfikacji obrazów.
Zastosowanie głębokiej sieci neuronowej do detekcji obiektów na obrazach.
Zastosowanie głębokiej sieci neuronowej do segmentacji obrazów.
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
Gonzalez R.C, Woods R.E. Digital Image Processing, Prentice Hall, 2009
Goodfellow I., Bengio Y., Courville A., Deep Learning. Współczesne systemy uczące się, PWN, 2018
Chollet F., Deep Learning., Praca z językiem Python i biblioteką Keras, Helion, 2019
Geron A., Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Helion, 2020
Further reading
Nałęcz, M. (red.): Biocybernetyka i Inżynieria Biomedyczna 2000. Tom 6 Sztuczne sieci neuronowe, Tom 10 Obrazowanie medyczne. Akademicka Oficyna Wydaw. EXIT, Warszawa 2000
Duda P., Hart R., Stork O.: Pattern Classification, Wiley, New York, 2000
Watkins C.D., Sadun A., Marenka S.: Nowoczesne metody przetwarzania obrazu, WNT, Warszawa, 1995
Larose D. T.: Odkrywanie wiedzy z danych, PWN, Warszawa, 2006.
Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.
Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.
Gonzalez R.C, Woods R.E, Eddins S.L. Digital Image Processing Using MATLAB, 2004
Tadeusiewicz R., Korohoda P.: Komputerowa analiza i przetwarzanie obrazów, FPT, Warszawa, 1997
Kwiatkowski W.: Metody automatycznego rozpoznawania wzorców, BEL-Studio, Warszawa, 2001.
Tadeusiewicz R., Flasiński M.: Rozpoznawanie obrazów, PWN, Warszawa, 1991.
Notes
Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 27-03-2023 19:02)