Osnova
Přednášky a 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.
Přednášky a 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.