angličtina

Všech fakult

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.

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

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.

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu;
v zásadě
- získání zápočtu na základě aktivní účasti na demonstračních cvičeních (až 30 bodů, min. 15 bodů)
- úspěšné složení písemné závěrečné zkoušky (až 70 bodů, min. 35 bodů)

1. Spojitý („analogový“) obraz ve spojitém prostoru - obraz jako vícerozměrný signál - 2D systémy se spojitým prostorem - 2D integrální Fourierova transformace - koncept náhodného obrazu - ideální vzorkování obrazu 2. Digitální 2D obrazy, systémy a spektra - obraz jako matice či vektor - Rekonstrukce spojitého obrazu ze vzorků - Diskretní 2D operátory a systémy, lineární a nelineární - Diskretní 2D lineární transformace 3. Zvýrazňování obrazů - účel - transformace jasu/kontrastu nebo barevné stupnice – zostřování a zdůraznění hran – vyhlazování a redukce šumu 4. Analýza obrazů (1) - lokální vlastnosti obrazu - texturní analýza 5. Analýza obrazů (2) metody segmentace obrazů: - podle homogenity oblastí, - regionově orientované metody 6. Analýza obrazů (3) metody segmentace obrazů: - metoda rozvodí, - hranově orientované metody 7. Analýza obrazů (4) metody segmentace obrazů: - pružné a aktivní kontury - morfologická analýza obrazů 8. Rekonstrukce tomografických obrazů 1 - rekonstrukce obrazů z projekcí (CT, SPEKT, PET) 9. Rekonstrukce tomografických obrazů 2 - rekonstrukce obrazových dat v MRI - rekonstrukce obrazů v ultra-rychlé sonografii (UFUS) 10. Fúze obrazů 1 - Geometrické transformace obrazů - Interpolace v obrazech 11. Fúze obrazů 2 - Podobnost obrazů a jejich částí - Lícování obrazů - Vlastní fúze obrazů, metody a aplikace 12. Úvod do restaurace obrazů - model zkreslení - dekonvoluce a inverzní filtrace - pseudoinverze - Wienerova filtrace 13. Úvod do analýzy obrazů pomocí umělé inteligence - klasické konvoluční neuronové sítě (CNN) - konvoluční neuronové sítě s maticovým výstupem (typu kodér-dekodér) - využití CNN pro analýzu obrazů, příklady aplikací anglicky: 1. Analogue image in continuous space - image as a multidimensional signal - 2D systems with continuous space - 2D integral Fourier transform, 2D spectrum - concept of stochastic image - ideal sampling of image 2. Digital 2D images, systems and spektra - image as a matrix or vector - analogue image reconstruction from samples - discrete 2D operators and systems, linear and nonlinear - discrete 2D linear transforms 3. Image enhancement - purpose - transforms of brightness/contrast or of color scale - sharpening and edge enhancement - image smoothing and noise reduction 4. Image analysis (1) - local properties of images - texture analysis 5. Image analysis (2) methods of image segmentation: - based on homogeneity of areas - region oriented methods 6. Image analysis (3) methods of image segmentation: - watershed-based segmentation - edge-based methods 7. Image analysis (4) methods of image segmentation: - flexible contours - active contours - morphological image analysis 8. Reconstruction of tomographic images 1 - image reconstruction from projections (CT, SPEKT, PET) 9. Reconstruction of tomographic images 2 - image reconstruction in MRI - image reconstruction in ultra-fast ultrasonography (UFUS) 10. Image fusion 1 - geometric transformations of images - interpolation in images 11. Image fusion 2 - similarity of images and their parts - image registration - methods and applications of fusion 12. Introduction to image restoration - model of distortion - deconvolution and inverse filtering - pseudoinversion - Wiener filtering 13. Introduction to image analysis based on artificial intelligence - classical convolutional neural networks (CNN) - convolutional neuronal networks with matrix output (of coder-decoder type) - use of CNN for image analysis, application examples

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 stanoví každoročně aktualizovaná vyhláška garanta předmětu (viz Rozvrhové jednotky).
V zásadě:
- povinné počítačové cvičení
- nepovinná přednáška

Gengsheng Lawrence Zeng: Image Reconstruction, de Gruyter, 2017 (EN)
J. Jan: Medical Image Processing,Reconstruction and Restoration, CRC Taylor and Francis 2006 (EN)
J. Jan: Medical ImageProcessing, Reconstruction and Analysis 2nd edition CRC Press, Taylor & Francis 2020 (EN)
M. Nixon: Feature Extraction and Image Processing for Computer Vision, Academic Press (EN)

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