Website
Modulhandbuch Bachelor Medizinische Informatik ab WS 2019/20

Modul CS4332-KP06

Modell- und KI-basierte Bildverarbeitung in der Medizin (MoKiBi)

Dauer:


1 Semester
Angebotsturnus:


Jedes Sommersemester
Leistungspunkte:


6
Studiengang, Fachgebiet und Fachsemester:
  • Master Medizinische Informatik 2019 (Pflicht), Medizinische Bildverarbeitung, 1. oder 2. Fachsemester
Lehrveranstaltungen:
  • CS4332-V: Modell- und KI-basierte Bildverarbeitung in der Medizin (Vorlesung, 2 SWS)
  • CS4332-Ü: Modell- und KI-basierte Bildverarbeitung in der Medizin (Übung, 2 SWS)
Workload:
  • 20 Stunden Prüfungsvorbereitung
  • 100 Stunden Selbststudium und Aufgabenbearbeitung
  • 60 Stunden Präsenzstudium
Lehrinhalte:
  • Methoden und Algorithmen zur Analyse und Visualisierung medizinischer Bilddaten unter Einbeziehung aktueller Forschungsarbeiten im Bereich der Medizinischen Bildverarbeitung. Im Einzelnen werden folgende Methoden und Algorithmen vorgestellt:
  • Grundlagen Neuronaler Netze in der medizinischen Bildverarbeitung
  • Convolutional Neural Networks und Deep Learning in der medizinischen Bildverarbeitung
  • U-Nets für die Bildsegmentierung
  • Autoencoder und Generative Adversarial Networks in der medizinischen Bildverarbeitung
  • Techniken zur Datenaugmentierung
  • Random Decision Forests für die Segmentierung medizinischer Bilddaten
  • Statistische Formmodelle: Generierung und Anwendung für die Bildsegmentierung
  • ROI-basierte Segmentierung und Clusteranalyse für die Segmentierung multispektraler Bilddaten
  • Live-Wire-Segmentierung
  • Segmentierung mit aktiven Konturmodellen und deformierbaren Modellen
  • Nicht-lineare Bildregistrierung
  • Atlasbasierte Segmentierung und Multi-Atlas-Segmentierung mittels nicht-linearer Registrierung
  • 3D-Visualisierung medizinischer Bilddaten
Qualifikationsziele/Kompetenzen:
  • Die Studierenden können fortgeschrittene Verfahren zur medizinischen Bildanalyse einordnen, erläutern, anhand ihrer Eigenschaften charakterisieren und problemspezifisch für eine konkrete Anwendung auswählen.
  • Sie sind in der Lage, fortgeschrittene Methoden der Clusteranalyse und Klassifikation insb. mit Convolutional Neural Networks und Random Decision Forests zu erklären und anhand ihrer Eigenschaften zu charakterisieren.
  • Sie können die Konzeption neuronaler Netzwerkarchitekturen von U-Nets, GANs oder Autoencoder detailliert erläutern.Sie können die Konzeption neuronaler Netzwerkarchitekturen von U-Nets, GANs oder Autoencoder detailliert erläutern.
  • Sie kennen Voraussetzungen, Probleme und Grenzen sowie Augmentierungs-techniken für den Einsatz neuronaler Netze in der med. Bildverarbeitung.
  • Sie kennen verschiedene Ansätze zur modellbasierten Segmentierung, können die hier gemachten unterschiedlichen Modellannahmen beschreiben und sind in der Lage, die hier verwendeten Optimierungsstrategien und -algorithmen zu erläutern.
  • Sie sind befähigt, die Eigenschaften verschiedener nicht-linearer Bildregistrierungsmethoden einzuschätzen und für ein konkretes Registrierungsproblem Ähnlichkeitsmaße und Regularisierungsterme problemspezifisch auszuwählen und zu parametrisieren.
  • Sie kennen Methoden der Multi-Atlas-Segmentierung und können die Eigenschaften verschiedener Label-Fusionsansätze erläutern und beispielhaft anwenden.
  • Sie können verschiedene medizinische Visualisierungstechniken unterscheiden, anhand ihrer spezifischen Vor- und Nachteile einordnen und in Abhängigkeit von einem konkreten Anwendungsproblem sinnvoll auswählen und anwenden.
  • Sie können Problemen der Medizinischen Bildverarbeitung mithilfe von neuronalen Netzwerken praktisch bearbeiten und lösen.
  • Sie beherrschen die Problem bezogene Auswahl und Durchführung von Datenaugmentationstechniken, geeigneten Netzwerktopologien und Trainingsverfahren sowie die Evaluation der Ergebnisse.
Vergabe von Leistungspunkten und Benotung durch:
  • Klausur oder mündliche Prüfung nach Maßgabe des Dozenten
Voraussetzung für:
Setzt voraus:
Modulverantwortlicher:
Lehrende:
Literatur:
  • H. Handels: Medizinische Bildverarbeitung - 2. Auflage, Vieweg u. Teubner 2009
  • T. Lehmann: Handbuch der Medizinischen Informatik - München: Hanser 2005
  • M. Sonka, V. Hlavac, R. Boyle: Image Processing, Analysis and Machine - Elsevier, 2007
  • B. Preim, C. Botha: Visual Computing for Medicine - 2nd Edition, Elsevier, 2013
Sprache:
  • Sowohl Deutsch- wie Englischkenntnisse nötig
Bemerkungen:

Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine (die Kompetenzen der unter ''Setzt voraus'' genannten Module werden für dieses Modul benötigt, sind aber keine formale Voraussetzung)

Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- Erfolgreiche Bearbeitung von Übungszetteln und Programmierprojekten gemäß Vorgabe am Semesteranfang

Modulprüfung(en):
- CS4332-L1 Modell- und KI-basierte Bildverarbeitung in der Medizin, Klausur, 90min, 100% der Modulnote

Dieses Modul ersezt das ausgelaufene Modul ''CS4330 Bildanalyse und Visualisierung in Diagnostik und Therapie''.

Letzte Änderung:
14.9.2021