|
Interventional Medical Image Processing (Online-Kurs) (IMIP)5 ECTS (englische Bezeichnung: Interventional Medical Image Processing (online course))
(Prüfungsordnungsmodul: Wahlpflichtbereich Informatik)
Modulverantwortliche/r: Andreas Maier Lehrende:
Andreas Maier
weitere Studienfächer/Prüfungsordnungsmodule:
Einfrieren der UnivIS-Modul-Beschreibung: 15.8.2017
Interventional Medical Image Processing (28319)
Vertiefungsrichtung Mustererkennung (30504)
Vertiefungsrichtung Mustererkennung (33600)
Wahlpflichtmodul aus INF im Schwerpunkt Multimediasysteme (36936)
Interventional Medical Image Processing (38319)
M3 Medizintechnische Kernmodule (BDV) (42939)
Vertiefungsmodule aus dem Sockel beider Studienrichtungen (43093)
Wahlpflichtmodul aus INF im Schwerpunkt Multimediasysteme (87852)
Startsemester: |
SS 2018 | Dauer: |
1 Semester | Turnus: |
halbjährlich (WS+SS) |
Präsenzzeit: |
0 Std. | Eigenstudium: |
150 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
Empfohlene Voraussetzungen:
Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:
Diagnostic Medical Image Processing (VHB-Kurs) (WS 2017/2018)
Inhalt:
English Version:
This lecture focuses on recent developments in image processing driven by medical applications.
All algorithms are motivated by practical problems.
The mathematical tools required to solve the considered image processing tasks will be introduced.
The lecture starts with an overview on preprocessing algorithms such as scatter correction for x-ray images, edge detection, super-resolution and edge-preserving noise reduction.
The second chapter describes automatic image analysis using feature descriptors, key point detection, and segmentation using bottom-up algorithms such as the random walker or top-down approaches such as active shape models.
Furthermore, the lecture covers geometric calibration algorithms for single view calibration, epipolar geometry, and factorization.
The last part of the lecture covers non-rigid registration based on variational methods and motion-compensated image reconstruction. Deutsche Version:
Die Vorlesung ist auf die jüngsten Entwicklungen in der Verarbeitung von medizinischen Bildern ausgerichtet.
Alle Algorithmen werden durch praktische Probleme motiviert.
Die mathematischen Werkzeuge, die für die Bildverarbeitungsaufgaben benötigt werden, werden eingeführt.
Die Vorlesung beginnt mit einem Überblick über Vorverarbeitungsalgorithmen, wie zum Beispiel Streustrahlkorrektur für Röntgenbilder, Kantenerkennung, Superresolution und kantenerhaltende Rauschunterdrückung.
Das zweite Kapitel beschreibt die automatische Bildanalyse mit Merkmalsdeskriptoren, Punkterkennung und Segmentierung mit Bottom-up-Algorithmen wie dem Random-Walker oder Top-Down-Ansätzen wie aktiven Formmodellen.
Darüber hinaus deckt die Vorlesung auch geometrische Kalibrierungsalgorithmen zur Einzelansicht-Kalibrierung, Epipolargeometrie und Faktorisierung ab.
Der letzte Teil der Vorlesung deckt nicht-starre Registrierung auf der Grundlage von Variationsmethoden und bewegungskompensierter Bildrekonstruktion ab.
Lernziele und Kompetenzen:
English Version:
The participants
summarize the contents of the lecture.
apply pre-processing algorithms such as scatter correction and edge-preserving filtering.
extract information from images automatically by image analysis methods such as key point detectors and segmentation algorithms.
calibrate projection geometries for single images and image sequences using the described methods.
develop non-rigid registration methods using variational calculus and different regularizers.
adopt algorithms to new domains by appropriate modifications.
Deutsche Version:
Die Teilnehmer
fassen die Inhalte der Vorlesung zusammen.
wenden Vorverarbeitungsalgorithmen wie Streustrahlkorrektur und kantenerhaltende Filterung an.
extrahieren automatisch Informationen aus Bildern, indem sie Bildanalyseverfahren wie Punktdetektoren und Segmentierungsalgorithmen verwenden.
kalibrieren Projektionsgeometrien für Einzelbilder und Bildsequenzen mit den beschriebenen Methoden.
entwickeln nicht-starre Registrierungsmethoden mit Hilfe von Variationsrechnung und unterschiedlichen Regularisieren.
wenden Algorithmen auf neue Modalitäten durch entsprechende Änderungen im Algorithmus an.
Weitere Informationen:
Schlüsselwörter: pattern recognition, medical computer science, medical image processing
www: http://www5.cs.fau.de/lectures/ss-18/medical-image-processing-for-interventional-applications-vhb-kurs-mipia/
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science): ab 1. Semester
(Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Wahlpflichtbereich Informatik | Wahlpflichtbereich Informatik)
Dieses Modul ist daneben auch in den Studienfächern "123#67#H", "Informatik (Bachelor of Arts (2 Fächer))", "Informatik (Bachelor of Science)", "Informatik (Master of Science)", "Informations- und Kommunikationstechnik (Master of Science)", "Mathematik (Bachelor of Science)", "Medizintechnik (Bachelor of Science)", "Medizintechnik (Master of Science)" verwendbar. Details
Studien-/Prüfungsleistungen:
Interventional Medical Image Processing (VHB-Kurs) (Prüfungsnummer: 41401)
zugeh. "mein campus"-Prüfung: | - 17001 Computer Science (5 ECTS) (Prüfung, Form: mehrteilige Prüfung, Zehntelnoten, Dauer: -, 5 ECTS, Platzhalter).
|
- Prüfungsleistung, Klausur, Dauer (in Minuten): 60, benotet, 5 ECTS
- Anteil an der Berechnung der Modulnote: 100.0 %
- Prüfungssprache: Englisch
- Erstablegung: SS 2018, 1. Wdh.: WS 2018/2019
1. Prüfer: | Andreas Maier (100196) |
|
![](/img/anew/void.gif) |
![](/img/anew/void.gif) |
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|