Přednášky a laboratorní cvičení
Základy zpracování medicínských dat v SW MATLAB a Simulink. Úvod do procesu zobrazení, parametry expozice, fotometrické a radiometrické veličiny a definice elementární jednotky 2D a 3D obrazu.
Základní techniky pro úpravu a reprezentaci digitálního obrazu: diskretizace, matematický popis obrazového signálu, hodnocení kvality procesu zobrazení, histogram, modely entropie, modulace barvy a základní modely reprezentace obrazu.
Jasové transformace: základní typy a matematické modely pro jasové transformace a transformace kontrastu. Aplikace jasových transformací pro optimalizaci jasových charakteristik medicínských objektů v rámci předzpracování obrazu.
Geometrické transformace: základní typy transformací, algoritmy pro rotaci a translaci obrazu, afinní transformace, algoritmy pro interpolaci obrazu a definice RoI a VoI.
Prostorová analýza obrazu: matematický aparát obrazové konvoluce pro filtraci obrazu. Definice průměrového a mediánového filtru v prostorové oblasti. NF a VF filtrace obrazu. Aplikace filtračních procedur v prostorové oblasti na medicínské obrazová data.
Frekvenční analýza obrazu: reprezentace prostorových obrazových frekvencí, 2D Fourierova transformace, algoritmy pro výpočet FFT a návrh filtrů ve frekvenční doméně. Aplikace filtračních procedur ve frekvenční oblasti na medicínské obrazová data.
Analýza obrazového šumu: matematické modely šumu, parametry šumu, vybrané implementace obrazového šumu na CT a MR data a analýza hodnocení šumu v obraze.
Detekce hran: definice hranových bodů a hran objektů, základní modely obrazové hrany, základní operátory pro detekci hran v medicínských obrazech.
Detekce objektů v obraze: segmentace obrazu na základě prahování histogramu, fuzzy prahování a algoritmy pro regionální segmentaci obrazu.
Iterační segmentační metody: detekce hranic objektů na základě metod aktivních kontur a level set metod. Analýza základních algoritmů a parametrů v aplikaci na vybrané objekty v medicínských obrazech.
Klasifikace obrazu: principy klasifikace dat, základní modely pro klasifikaci medicínských obrazových dat a extrakce obrazových příznaků.
Metody umělé inteligence: model neuronu a základních neuronových sítí. Klasifikace a segmentace obrazu na základě neuronových sítí a deep learning.
Shlukovací analýza: základní metody: K means a FCM. Aplikace metod pro segmentaci a klasifikaci obrazu.
Základní rekonstrukční techniky pro CT a MR: analýza sinogramu, zpětná, filtrovaná zpětná projekce, iterativní rekonstrukce CT obrazu, k-space a MR obrazový signál.
Pro každou přednášku je realizováno cvičení se stejnou náplní. Cvičení budou realizována v SW Matlab.
Základy zpracování medicínských dat v SW MATLAB a Simulink. Úvod do procesu zobrazení, parametry expozice, fotometrické a radiometrické veličiny a definice elementární jednotky 2D a 3D obrazu.
Základní techniky pro úpravu a reprezentaci digitálního obrazu: diskretizace, matematický popis obrazového signálu, hodnocení kvality procesu zobrazení, histogram, modely entropie, modulace barvy a základní modely reprezentace obrazu.
Jasové transformace: základní typy a matematické modely pro jasové transformace a transformace kontrastu. Aplikace jasových transformací pro optimalizaci jasových charakteristik medicínských objektů v rámci předzpracování obrazu.
Geometrické transformace: základní typy transformací, algoritmy pro rotaci a translaci obrazu, afinní transformace, algoritmy pro interpolaci obrazu a definice RoI a VoI.
Prostorová analýza obrazu: matematický aparát obrazové konvoluce pro filtraci obrazu. Definice průměrového a mediánového filtru v prostorové oblasti. NF a VF filtrace obrazu. Aplikace filtračních procedur v prostorové oblasti na medicínské obrazová data.
Frekvenční analýza obrazu: reprezentace prostorových obrazových frekvencí, 2D Fourierova transformace, algoritmy pro výpočet FFT a návrh filtrů ve frekvenční doméně. Aplikace filtračních procedur ve frekvenční oblasti na medicínské obrazová data.
Analýza obrazového šumu: matematické modely šumu, parametry šumu, vybrané implementace obrazového šumu na CT a MR data a analýza hodnocení šumu v obraze.
Detekce hran: definice hranových bodů a hran objektů, základní modely obrazové hrany, základní operátory pro detekci hran v medicínských obrazech.
Detekce objektů v obraze: segmentace obrazu na základě prahování histogramu, fuzzy prahování a algoritmy pro regionální segmentaci obrazu.
Iterační segmentační metody: detekce hranic objektů na základě metod aktivních kontur a level set metod. Analýza základních algoritmů a parametrů v aplikaci na vybrané objekty v medicínských obrazech.
Klasifikace obrazu: principy klasifikace dat, základní modely pro klasifikaci medicínských obrazových dat a extrakce obrazových příznaků.
Metody umělé inteligence: model neuronu a základních neuronových sítí. Klasifikace a segmentace obrazu na základě neuronových sítí a deep learning.
Shlukovací analýza: základní metody: K means a FCM. Aplikace metod pro segmentaci a klasifikaci obrazu.
Základní rekonstrukční techniky pro CT a MR: analýza sinogramu, zpětná, filtrovaná zpětná projekce, iterativní rekonstrukce CT obrazu, k-space a MR obrazový signál.
Pro každou přednášku je realizováno cvičení se stejnou náplní. Cvičení budou realizována v SW Matlab.