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 2022/2023
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 wiedzy i umiejętności  w zakresie wykorzystania metod przetwarzania, analizy obrazów medycznych w diagnostyce medycznej

Wymagania wstępne

Zakres tematyczny

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.

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. Perez J.M.M., Pascau J.: Image Processing with ImageJ, Packt Publishing, 2013.
  11. Goodfellow I., Bengio Y., Courville A., Deep Learning. Współczesne systemy uczące się, PWN, 2018.
  12. Dey S. Hands-On Image Processing with Python: Expert techniques for advanced image analysis and effective interpretation of image data, Packt Publishing, 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.
  6. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.

Uwagi


Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 30-04-2022 12:44)