1. SylabUZ
2. Faculty of Mechanical Engineering
3. winter term 2023/2024
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

Wykłady:

1. Akwizycja obrazu. Metody obrazowania medycznego. 
2. Elementarne przekształcenia obrazu. 
3. Filtracja obrazów. 
4. Morfologia matematyczna
5. Detektory i deskryptory cech I (wykrywanie krawędzi i narożników, gradient obrazu) 
6. Detektory i deskryptory cech I (piramida skali i przestrzeni, detektor blob-ów, HoG, SIFT)
7. Analiza tekstur.
8. Segmentacja obrazów. (progowanie obrazu, metoda wododziałowa, transformata Hougha, aktywne kontury).
9. Klasyfikacja danych I (idea klasyfikacji, miary jakości klasyfikacji, regresja logistyczna)
10. Klasyfikacja danych II (zaawansowane metody klasyfikacji, walidacja, metody redukcji wymiarowości, metody selekcji cech)
11. Wprowadzenie do sztucznych sieci neuronowych
12. Splotowe sieci neuronowe
13. Detekcja i klasyfikacja obiektów za pomocą głębokich sieci neuronowych
14. Segmentacja obrazów za pomocą głębokich sieci neuronowych
15. Zaliczenie na ocenę - sprawdzian.  

Ćwiczenia laboratoryjne:

1. Wprowadzenie do środowiska ImageJ i języka Python.
2. Odczyt i zapis obrazu oraz reprezentacja obrazu.
3. Operacje arytmetyczne na obrazie.
4. Przetwarzanie wstępne obrazu, modyfikacja kontrastu i histogramu.    
5. Filtracja obrazu.
6. Wykonywanie operacji morfologicznych na obrazie.
7. Detekcja krawędzi, linii i okręgów. 
8. Segmentacja obrazu z wykorzystaniem metody wododziałowej i aktywnych konturów.
9. Wyznaczanie deskryptorów i cech teksturalnych dla obrazów medycznych.
10. Klasyfikacja danych z wykorzystaniem regresji logistycznej oraz maszyny wektorów nośnych (SVM).
11. Budowa i uczenie prostej sieci neuronowej.
12. Zastosowanie głębokiej sieci neuronowej do klasyfikacji obrazów.
13. Zastosowanie głębokiej sieci neuronowej do detekcji obiektów na obrazach.  
14. Zastosowanie głębokiej sieci neuronowej do segmentacji obrazów.
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. Cytowski J., Gielecki J., Gola A.: Cyfrowe przetwarzanie obrazów medycznych. Algorytmy. Technologie. Zastosowania, Exit, 2008
3. Strzelecki M., Zieliński K. W.: Komputerowa analiza obrazu biomedycznego. Wstęp do morfometrii i patologii ilościowej.PWN, 2013.
4. Nieniewski M.: Segmentacja obrazów cyfrowych. Metody segmentacji wododziałowej, Akademicka Oficyna Wydawnicza Exit, 2015.
5. Perez J.M.M., Pascau J.: Image Processing with ImageJ, Packt Publishing, 2013.
6. Goodfellow I., Bengio Y., Courville A., Deep Learning. Współczesne systemy uczące się, PWN, 2018
7. Chollet F., Deep Learning., Praca z językiem Python i biblioteką Keras, Helion, 2019
8. 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.
7. Gonzalez R.C, Woods R.E, Eddins S.L. Digital Image Processing Using MATLAB, 2004
8. Tadeusiewicz R., Korohoda P.: Komputerowa analiza i przetwarzanie obrazów, FPT, Warszawa, 1997
9. Kwiatkowski W.: Metody automatycznego rozpoznawania wzorców, BEL-Studio, Warszawa, 2001.
10. 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)