Fakultet tehničkih nauka

Predmet: Kompjuterska vizija u medicini (17.EAI557)

Osnovne informacije:
 
Kategorija Naučno-stručni
Uža naučna oblast Telekomunikacije i obrada signala
ESPB 6

Predmet je orijentisan ka primenama veštačke inteligenvcije i kompjuterskog vida u domenu medicinske dijagnostike, konkretno automatizaciji i podizanju pouzdanosti ovog procesa. Prvi korak je identifikacija zadataka mašinske vizije i mogućnosti i načina za njihovo rešavanje kao jednog od oblika veštačke inteligencije. Priprema za usmerenja ka izbornim oblastima kompjuterskog vida i robotike. Predmet demonstrira i istražuje na koje načine znanja iz oblasti obrade slike, fotogrametrije, optimizacije i algoritama mašinskog učenja pronalaze primenu u algoritmima mašinske vizije u medicini. Utvrđivanje smernica i kriterijuma na osnovu kojih se određuju i integrišu modalitet snimanja, karakteristike senzora, postupci obrade i analize informacija, i načini za ocenjivanje uspešnosti rada sistema. Proširivanje stečenih znanja kroz praktičnu implementaciju sistema mašinske vizije putem predmetnih projekata.

Studenti su osposobljeni za analizu i razumevanje problema veštačke inteligencije i mašinske viziije u domenu problema medicinske dijagnostike kao i projektovanje novih algoritama mašinske vizije za praktične probleme. Umeju identifikovati, analizirati i opisati problem koji treba rešiti, analizirati ograničenja uslova rada, definisati zahtevane tačnosti i način za postizanje željenih ishoda algoritma. Ovladati tehnikama i principima na kojima se zasnivaju postupci mašinske vizije. Proceniti mogućnosti postojećih metoda iz različitih domena mašinske vizije i i prilagoditi, unaprediti i kombinovati ih kako bi rešili dati problem. U stanju su samostalno realizovati sistem ili korak mašinske vizije uz mogućnost proširenja znanja daljim radom na određenom problemu u medicinskoj dijagnostici.

Teorijska nastava: 1) Uvod – digitalna medicinska dijagnostička slika, 2D/3D/4D, modaliteti snimanja, rezolucija, izotropija, dinamicka slika, vremenska rezolucija, interpolacija 2) Koncepti analize medicinske slike – ciljevi analize, kvantitativna analiza signala van ljudske moći, dijagnostičko zaključivanje, 3) Multiveličinska analiza slike – analiza i sinteza, piramidalne predstave slike, vejvleti, DWT, 4) Optimizacija – metode numeričke optimizacije u analizi slike, merenje razlike između slika, normalizacije signala, testiranje hipoteza, 5) Prostorna registracija snimaka – koncept uspostavljanja prostorne korespodencije među snimcima iste anatomije, (perspektivne) transformacije slike, deformacije, deformabilna registracija, deformaciona polja, objektivne mere 6) Modeliranje oblika i pojava –građenje integrisanih modela anatomije, statistički modeli oblika i pojave, korelacije između oblika i teksture anatomije, aktivni modeli oblika i pojave, analiza snimaka aktivnim modelima pojave, 7) Segmentacija – segmentacija po osvetljaju, zmije, level sets, mean shift, graph cuts, Markovljeva proizvoljna polja za segmentaciju u prisustvu šuma; 8) Konvolucione neuralne mreže u analizi medicinske slike, priprema podataka za mašinsko učenje. Praktična nastava: 1) Računarske vežbe iz manipulacije medicinskom slikom: učitavanje, meta podaci, statističke analize, osnovne obrade, normalizacije, prostorne transformacije signala, prikaz slike i podataka 2) Projektni zadaci: razvoj algoritama za autonomnu analizu medicinskih snimaka, obrade velikih skupova snimaka, utvrđivanje korespodencija između raznorodnih podataka, građenje radnih okruženja za prikupljanje dodatnih podataka o slikama i slični.

Predmet se pohađa kroz standardne oblike ostvarivanja nastave i uključuje prisustvo na predavanjima i računarskim vežbama. Predavanja su praćena multimedijalnim sadržajima u formi prezentacija, demonstracionih alata i video snimaka. Pored savladavanja sadržaja predmeta predavanja imaju zadatak da motivišu dalji samostalni rad studenata. Računarske vežbe uključuju praktičan rad na problemima iz realne primene medicinskih uređaja u domenu medicinske dijagnostike; Konsultacije; Analiza i kritička diskusija odabranih radova iz oblasti; Priprema za samostalnu izradu predmetnog projekta koji se predaje u celosti i usmeno brani. Pismeni ispit polaže se u redovnim ispitnim rokovima.

Autori Naziv Godina Izdavač Jezik
V Lakshmanan, M Görner, R Gillard Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images 2021 O'Reilly Media Engleski
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 Engleski
Toennies, Klaus D Guide to Medical Image Analysis 2017 Springer Engleski
V Crnojević Prepoznavanje oblika za inženjere 2014 Fakultet tehničkih nauka u Novom Sadu Srpski jezik
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Predmetni projekat
Predispitna
Da
Obavezna
Da
Broj poena
30.00
Predmetna aktivnost
Pismeni ispit
Predispitna
Ne
Obavezna
Da
Broj poena
40.00
Predmetna aktivnost
Odbranjene računarske vežbe
Predispitna
Da
Obavezna
Da
Broj poena
30.00
Predavanja
Laboratorijske vežbe