Detail předmětu

Analysis of Biomedical Images

FEKT-MPA-ABOAk. rok: 2020/2021

Předmět je orientován na získání přehledu o metodách analýzy biomedicínských obrazových dat, a dobrého porozumění jejich principům v návaznosti na vlastnosti těchto dat získaných jednotlivými zobrazovacími modalitami užívanými v medicíně a biologii.

Jazyk výuky

angličtina

Počet kreditů

6

Výsledky učení předmětu

Absolvent předmětu je schopen:
- doporučit a kriticky hodnotit vhodnost jednotlivých metod analýzy medicínských obrazů pro konkrétní účel na základě teoretických i praktických znalostí, získaných v předmětu,
- realizovat implementaci těchto metod na vhodné softwarové platformě, popř. s využitím komerčního softwaru,
- být platným členem výzkumného / experimentálního mezioborového týmu v oblasti analýzy biomed. obrazových dat.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia, zejména v oblasti matematiky a zpracování signálů.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT. Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning (Moodle). Student odevzdává samostatný projekt.

Způsob a kritéria hodnocení

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu;
v zásadě
- získání zápočtu na základě aktivní účasti na demonstračních cvičeních (až 24 bodů, min. 12 bodů),
- úspěšné složení písemné závěrečné zkoušky (až 76 bodů)

Osnovy výuky

1. Číslicová reprezentace obrazu, základní vlastnosti obrazů, 2D DFT, diskretní spektra, vzorkování, 3D a 4D obrazy.
2. Lineární diskretní transformace obrazů – DFT, kosinová transformace, Walshova transformace, vlnková transformace. Vlastnosti, interpretace, aplikace.
3. Základní geometrické operace s obrazy (posun, rotace, zkosení, afinní transformace aj.). Interpolace obrazů.
4. Bodové operace, úprava kontrastu, transformace barev.
5. Prostorová filtrace obrazů - maskové operace, konvoluce, ostření, vyhlazování, zpracování ve spektrální oblasti.
6. Lokální příznaky, detekce hran, linií a rohů, parametrické obrazy.
7. Metody texturní analýzy (statistické, strukturální, transformační, modely textury), texturně-parametrické obrazy.
8. Základní metody segmentace obrazu - hranově orientovaná metody, Houghova transformace, segmentace založená na parametrických obrazech, regionově orientovaná segmentace.
9. Pokročilé metody segmentace obrazů – metody pružných kontur (parametrické kontury, kontury typu level-set, aktivní kontury), segmentace založená na rozpoznávání vzorů.
10. Základní metody lícování obrazů založené na optimalizaci, podobnostní kritéria, multiresoluční přístupy, získávání obrazových informací pomocí fúze.
11. Pokročilé metody lícování obrazů – optický tok, korespondence značek, metoda ICP. Hodnocení kvality registrace.
12. Rekonstrukce obrazů v tomografii: rekonstrukce obrazů z CT projekcí - algebraické metody, rekonstrukce ve frekvenční oblasti, filtrovaná zpětná projekce; modifikace nutné v nukleárním zobrazování.
13. Komprese obrazů a videa, datové formáty obrazů, trendy v analýze medicínských obrazů a vícerozměrných multimodálních obrazových dat.

Učební cíle

Cílem předmětu je umožnit studentům získání přehledu a porozumění metodám analýzy medicínských obrazů a zvládnutí praktických postupů softwarové realizace těchto metod.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu (viz Rozvrhové jednotky).
V zásadě:
- povinné počítačové cvičení
- nepovinná přednáška

Základní literatura

J. Jan: Medical Image Processing,Reconstruction and Restoration, CRC Taylor and Francis 2006 (EN)
M. Nixon: Feature Extraction and Image Processing for Computer Vision, Academic Press (EN)
J. Jan: Medical ImageProcessing, Reconstruction and Analysis 2nd edition CRC Press, Taylor & Francis 2020 (EN)

Doporučená literatura

M. Sonka, V. Hlavac: Image Processing, Analysis And Machine Vision, Cengage Learning, 2017 (EN)

Zařazení předmětu ve studijních plánech

  • Program MPA-BIO magisterský navazující, 1. ročník, letní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Projekt

13 hod., povinná

Vyučující / Lektor