UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 
 Darstellung
 
Druckansicht

 
 
Modulbeschreibung (PDF)

 
 
Artificial Intelligence (Master of Science) >>

Visual Computing in Medicine (VCMed)5 ECTS
(englische Bezeichnung: Visual Computing in Medicine)
(Prüfungsordnungsmodul: Visual Computing in Medicine)

Modulverantwortliche/r: Peter Hastreiter, Thomas Wittenberg
Lehrende: Peter Hastreiter, Thomas Wittenberg


Startsemester: WS 2022/2023Dauer: 2 SemesterTurnus: jährlich (WS)
Präsenzzeit: 60 Std.Eigenstudium: 90 Std.Sprache: Englisch

Lehrveranstaltungen:


Empfohlene Voraussetzungen:

Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:

Algorithmik kontinuierlicher Systeme (SS 2022)
Computergraphik-VU (WS 2021/2022)


Inhalt:

Die Flut und Komplexität medizinischer Bilddaten sowie die klinischen Anforderungen an Genauigkeit und Effizienz erfordern leistungsfähige wie auch robuste Konzepte der medizinischen Datenverarbeitung. Auf Grund der Vielfalt an Bildinformation und ihrer klinischen Relevanz spielt der Übergang von der Messung medizinischer Bilddaten (u.a. MRT, CT, PET) hin zur Analyse der Bildinhalte eine wichtige Rolle. Durch die visuelle Wiedergabe der abstrakten Daten können sowohl technische als auch medizinische Aspekte anschaulich und intuitiv verstanden werden. Aufbauend auf einem Regelkreis zur Verarbeitung medizinischer Bilddaten werden im ersten Teil (Visual Computing in Medicine I) die Eigenschaften medizinischer Bilddaten sowie grundlegende Methoden und Verfahren der medizinischen Bildanalyse und Visualisierung im Zusammenhang vermittelt. Beispiele aus der Praxis erläutern den Bezug zur medizinischen Anwendung. Darauf aufbauend werden im zweiten Teil (Visual Computing in Medicine II) konkrete Lösungsansätze für die Diagnose und Therapieplanung komplexer Krankheitsbilder erläutert. Es wird gezeigt, wie grundlegende Methoden ausgewählt und zu praktisch anwendbaren Gesamtkonzepten zusammengefasst werden. An Beispielen wird der Bezug zu Strategien und Anforderungen in der industriellen Entwicklung und klinischen Anwendung hergestellt. Ergänzend werden komplexe Methoden der medizinischen Bildanalyse und Visualisierung ausführlich besprochen.

The flood and complexity of medical image data as well as the clinical need for accuracy and efficiency require powerful and robust concepts of medical data processing. Due to the diversity of image information and their clinical relevance the transition from imaging to medical analysis and interpretation plays an important role. The visual representation of abstract data allows understanding both technical and medical aspects in a comprehensive and intuitive way. Based on a processing pipeline for medical image data an overview of the characteristics of medical image data as well as fundamental methods and procedures for medical image analysis and visualization is given. Examples of clinical practice show the relation to the medical application. Based on VCMed1 the lecture VCMed2 discusses practical approaches for the diagnosis and therapy planning of complex diseases. It will be shown how fundamental methods are selected and integrated to practically applicable concepts. Examples demonstrate the relation to strategies and requirements in clinical practice and the industrial development process. Additionally, complex methods of medical image analysis and visualization will be explained.

Lernziele und Kompetenzen:

Visual Computing in Medicine I
Die Studierenden

  • erhalten einen Überblick zu Grundlagen und Unterschie-den medizinischer Bildgebungsverfahren

  • erwerben fundierte Kenntnisse über Gitterstrukturen, Da-tentypen und Formate medizinischer Bilddaten

  • üben an Beispielen die Erkennung und Interpretation un-terschiedlicher Bilddaten

  • erwerben Kenntnisse zu Verfahren der Vorverarbeitung, Filterung und Interpolation medizinischer Bilddaten sowie zu grundlegenden Ansätzen der Segmentierung

  • erlernen Prinzipien und Methoden der expliziten und im-pliziten Bildregistrierung und erhalten einen Überblick zu wichtigen Verfahren der starren Registrierung

  • erwerben fundierte Kenntnisse zu allen Aspekten der me-dizinischen Visualisierung (2D, 3D, 4D) von Skalar-, Vek-tor-, Tensordaten

  • erhalten an einfachen Beispielen einen ersten Eindruck, wie sich Visualisierung zur Steuerung von Bildanalysever-fahren und für die medizinische Diagnostik einsetzen lässt

The students

  • get an overview of the basic principles and differences of medical imaging methods,

  • acquire profound knowledge about grid structures, data types and formats of medical image data,

  • use sample data to recognize and interpret different image data,

  • acquire knowledge about methods of preprocessing, filtering and interpolation of medical image data as well as on basic approaches of segmentation,

  • learn the principles and methods of explicit and implicit image registration and get an overview of important procedures of rigid registration,

  • acquire profound knowledge about all aspects of medical visualization (2D, 3D, 4D) of scalar, vector, tensor data,

  • get a first impression of how visualization can be used to control image analysis and medical diagnostics.

Visual Computing in Medicine II
Die Studierenden

  • erwerben aus Sicht der medizinischen Anwendung und konkreter Lösungsstrategien einen Einblick in komplexe Ansätze zur Bearbeitung wichtiger Krankheitsbilder

  • lernen die Anforderungen an und die Verknüpfung von Methoden der medizinischen Bildanalyse und Visualisie-rung zur Bearbeitung kardiologischer, neurologischer, on-kologischer und strahlentherapeutischer Fragestellungen

  • erhalten einen Überblick zu komplexen Krankheitsbildern als Grundlage für effektive und effiziente Lösungen

  • erwerben erweiterte Kenntnisse zur multimodalen Bildre-gistrierung mit nichtstarren Transformationen

  • erhalten vertieftes Wissen zu komplexen und aktuellen Themen der medizinischen Visualisierung (u.a. Integrati-onsverfahren, Transferfunktionen, Beschleunigungstech-niken mit Grafikhardware)

The students

  • gain an insight into complex approaches to the treatment of important disease patterns from the point of view of medical application and specific solution strategies

  • learn the requirements and the linking of methods of medical image analysis and visualization for the processing of cardiological, neurological, oncological and radiotherapeutic questions

  • get an overview of complex disease pictures as a basis for effective and efficient solutions

  • acquire advanced knowledge to process multimodal image data using advanced methods

  • receive in-depth knowledge on complex and up-to-date topics of medical visualization (including integration procedures, transfer functions, acceleration techniques with graphics hardware)

Literatur:

  • B. Preim, C. Botha: Visual Computing for Medicine, Morgan Kaufmann Verlag, 2013
  • B. Preim, D. Bartz: Visualization in Medicine - Theory, Algorithms, and Applications, Morgan Kaufmann Verlag, 2007

  • H. Handels: Medizinische Bildverarbeitung, Bildanalyse, Mustererkennung und Visualisierung für die computergestützte ärztliche Diagnostik und Therapie, Vieweg und Teubner Verlag, 2009

  • P.M. Schlag, S. Eulenstein, Th. Lange: Computerassistierte Chirurgie, Elsevier Verlag, 2010

  • E. Neri, D. Caramella, C. Bartolozzi: Image Processing in Radiology, Springer Verlag, 2008


Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

  1. Artificial Intelligence (Master of Science)
    (Po-Vers. 2021s | TechFak | Artificial Intelligence (Master of Science) | Gesamtkonto | Wahlpflichtmodulbereich | Subsymbolic AI/Machine Learning | Visual Computing in Medicine)
  2. Artificial Intelligence (Master of Science)
    (Po-Vers. 2021s | TechFak | Artificial Intelligence (Master of Science) | Gesamtkonto | Nebenfach | Nebenfach Medizinische Informatik | Schwerpunkt Bildverarbeitung | Visual Computing in Medicine)
Dieses Modul ist daneben auch in den Studienfächern "Computational Engineering (Master of Science)", "Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)", "Informatik (Bachelor of Arts (2 Fächer))", "Informatik (Bachelor of Science)", "Informatik (Master of Science)", "Mathematik (Bachelor of Science)", "Medizintechnik (Bachelor of Science)", "Medizintechnik (Master of Science)" verwendbar. Details

Studien-/Prüfungsleistungen:

Visual Computing in Medicine (Prüfungsnummer: 44811)

(englischer Titel: Visual Computing in Medicine)

Prüfungsleistung, Klausur, Dauer (in Minuten): 90, benotet, 5.0 ECTS
Anteil an der Berechnung der Modulnote: 100.0 %

Erstablegung: SS 2023, 1. Wdh.: WS 2023/2024, 2. Wdh.: keine Wiederholung
1. Prüfer: Thomas Wittenberg
Termin: 28.09.2022

UnivIS ist ein Produkt der Config eG, Buckenhof