×
Универзитет у Новом Саду

Предмет: Компјутерска визија у медицини (17.EAI557)

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Телекомуникације и обрада сигнала
ЕСПБ 6

Предмет је оријентисан ка применама вештачке интелигенвције и компјутерског вида у домену медицинске дијагностике, конкретно аутоматизацији и подизању поузданости овог процеса. Први корак је идентификација задатака машинске визије и могућности и начина за њихово решавање као једног од облика вештачке интелигенције. Припрема за усмерења ка изборним областима компјутерског вида и роботике. Предмет демонстрира и истражује на које начине знања из области обраде слике, фотограметрије, оптимизације и алгоритама машинског учења проналазе примену у алгоритмима машинске визије у медицини. Утврђивање смерница и критеријума на основу којих се одређују и интегришу модалитет снимања, карактеристике сензора, поступци обраде и анализе информација, и начини за оцењивање успешности рада система. Проширивање стечених знања кроз практичну имплементацију система машинске визије путем предметних пројеката.

Студенти су оспособљени за анализу и разумевање проблема вештачке интелигенције и машинске визиије у домену проблема медицинске дијагностике као и пројектовање нових алгоритама машинске визије за практичне проблеме. Умеју идентификовати, анализирати и описати проблем који треба решити, анализирати ограничења услова рада, дефинисати захтеване тачности и начин за постизање жељених исхода алгоритма. Овладати техникама и принципима на којима се заснивају поступци машинске визије. Проценити могућности постојећих метода из различитих домена машинске визије и и прилагодити, унапредити и комбиновати их како би решили дати проблем. У стању су самостално реализовати систем или корак машинске визије уз могућност проширења знања даљим радом на одређеном проблему у медицинској дијагностици.

Теоријска настава: 1) Увод – дигитална медицинска дијагностичка слика, 2D/3D/4D, модалитети снимања, резолуција, изотропија, динамицка слика, временска резолуција, интерполација 2) Концепти анализе медицинске слике – циљеви анализе, квантитативна анализа сигнала ван људске моћи, дијагностичко закључивање, 3) Мултивеличинска анализа слике – анализа и синтеза, пирамидалне представе слике, вејвлети, DWT, 4) Оптимизација – методе нумеричке оптимизације у анализи слике, мерење разлике између слика, нормализације сигнала, тестирање хипотеза, 5) Просторна регистрација снимака – концепт успостављања просторне коресподенције међу снимцима исте анатомије, (перспективне) трансформације слике, деформације, деформабилна регистрација, деформациона поља, објективне мере 6) Моделирање облика и појава –грађење интегрисаних модела анатомије, статистички модели облика и појаве, корелације између облика и текстуре анатомије, активни модели облика и појаве, анализа снимака активним моделима појаве, 7) Сегментација – сегментација по осветљају, змије, level sets, mean shift, graph cuts, Марковљева произвољна поља за сегментацију у присуству шума; 8) Конволуционе неуралне мреже у анализи медицинске слике, припрема података за машинско учење. Практична настава: 1) Рачунарске вежбе из манипулације медицинском сликом: учитавање, мета подаци, статистичке анализе, основне обраде, нормализације, просторне трансформације сигнала, приказ слике и података 2) Пројектни задаци: развој алгоритама за аутономну анализу медицинских снимака, обраде великих скупова снимака, утврђивање коресподенција између разнородних података, грађење радних окружења за прикупљање додатних података о сликама и слични.

Предмет се похађа кроз стандардне облике остваривања наставе и укључује присуство на предавањима и рачунарским вежбама. Предавања су праћена мултимедијалним садржајима у форми презентација, демонстрационих алата и видео снимака. Поред савладавања садржаја предмета предавања имају задатак да мотивишу даљи самостални рад студената. Рачунарске вежбе укључују практичан рад на проблемима из реалне примене медицинских уређаја у домену медицинске дијагностике; Консултације; Анализа и критичка дискусија одабраних радова из области; Припрема за самосталну израду предметног пројекта који се предаје у целости и усмено брани. Писмени испит полаже се у редовним испитним роковима.

Аутори Назив Година Издавач Језик
Le Lu, Yefeng Zheng, Gustavo Carneiro, Lin Yang Deep Learning and Convolutional Neural Networks for Medical Image Computing: Precision Medicine, High Performance and Large-Scale Datasets 2017 Springer Енглески
V Lakshmanan, M Görner, R Gillard Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images 2021 O'Reilly Media Енглески
Toennies, Klaus D Guide to Medical Image Analysis 2017 Springer Енглески
В Црнојевић Препознавање облика за инжењере 2014 Факултет техничких наука у Новом Саду Српски језик
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Писмени испит
Предиспитна
Не
Обавезна
Да
Број поена
40.00
Предметна активност
Одбрањене рачунарске вежбе
Предиспитна
Да
Обавезна
Да
Број поена
30.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
30.00

Предавања

Лабораторијске вежбе