SylabUZ

Wygeneruj PDF dla tej strony

Wydobywanie wiedzy z obrazów medycznych - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Wydobywanie wiedzy z obrazów medycznych
Kod przedmiotu 06.9-WM-IB-EiIwM-D-16_19
Wydział Wydział Mechaniczny
Kierunek Inżynieria biomedyczna
Profil ogólnoakademicki
Rodzaj studiów drugiego stopnia z tyt. magistra inżyniera
Semestr rozpoczęcia semestr zimowy 2019/2020
Informacje o przedmiocie
Semestr 2
Liczba punktów ECTS do zdobycia 4
Typ przedmiotu obowiązkowy
Język nauczania polski
Sylabus opracował
  • dr hab. inż. Marek Kowal, prof. UZ
Formy zajęć
Forma zajęć Liczba godzin w semestrze (stacjonarne) Liczba godzin w tygodniu (stacjonarne) Liczba godzin w semestrze (niestacjonarne) Liczba godzin w tygodniu (niestacjonarne) Forma zaliczenia
Wykład 30 2 18 1,2 Zaliczenie na ocenę
Laboratorium 30 2 18 1,2 Zaliczenie na ocenę

Cel przedmiotu

Celem kształcenia jest zdobycie umiejętności i kompetencji w zakresie stosowania technik przetwarzania i analizy obrazów medycznych z uwzględnieniem technik sztucznej inteligencji oraz projektowanie inteligentnych systemów komputerowych wspierających proces diagnostyczny.

Wymagania wstępne

Zakres tematyczny

Wykład:
Modele barw i sposoby kodowania obrazów barwnych. Elementarne operacje i przekształcenia wykonywane na obrazie. Metody wykrywania krawędzi. Transformata Radona i Hougha oraz jej pochodne. Morfologia matematyczna. Metody opisu i analizy kształtów. Przegląd algorytmów segmentacji. Tekstury. Zastosowanie sztucznych sieci neuronowych w segmentacji obrazów oraz detekcji i rozpoznawaniu obiektów. Budowa systemów do automatycznej diagnostyki obrazowej. Przykłady automatycznych systemów diagnostycznych wspomagających cytodiagnostykę. 

Ćwiczenia laboratoryjne:
Wykorzystanie środowiska Matlab do przetwarzania obrazów. Modele barw oraz kodowanie. Operacje arytmetyczne i przetwarzanie morfologiczne. Wyznaczanie granic i konturów obiektów.  Detekcja linii, okręgów i elips na obrazach medycznych. Progowanie histogramu jako przykład segmentacji obrazów. Algorytm wododziałowy i aktywnych konturów. Sposoby numerycznego opisu obiektów i obszarów zainteresowania.  Metody redukcji wymiarowości zarówno w przestrzeni samego obrazu jak i cech obiektów na nim występujących. Zastosowanie sztucznych sieci neuronowych w zagadnieniu segmentacji obrazów medycznych oraz wykrywaniu i rozpoznawaniu obiektów. Projekt systemu wspomagającego automatyczną ocenę obrazów cytologicznych.

Metody kształcenia

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

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

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

Literatura podstawowa

  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. Bengio Y. Courville A., Goodfellow I., Deep Learning, Systemy uczące się, Warszwa, 2018.
  8. Tadeusiewicz R., Flasiński M.: Rozpoznawanie obrazów, PWN, Warszawa, 1991.
  9. Nieniewski M.: Segmentacja obrazów cyfrowych. Metody segmentacji wododziałowej, Akademicka Oficyna Wydawnicza Exit, 2015.
  10. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.
  11. Goodfellow I., Bengio Y., Courville A., Deep Learning. Współczesne systemy uczące się, PWN, 2018.

Literatura uzupełniająca

  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.

Uwagi


Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 25-04-2019 07:47)