1. SylabUZ
2. Wydział Mechaniczny
3. semestr zimowy 2023/2024
4. Inżynieria biomedyczna - drugiego stopnia z tyt. magistra inżyniera
5. Wydobywanie wiedzy z obrazów medycznych

Wygeneruj PDF dla tej strony

Wydobywanie wiedzy z obrazów medycznych - opis przedmiotu

Cel przedmiotu

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

Wymagania wstępne

Zapisz zmiany

Zakres tematyczny

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.

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. 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 

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.
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.

Uwagi

Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 27-03-2023 19:02)