Medizinische Ingenieurwissenschaft

Modulhandbuch ab WS 2007/08

Modul CS4332-KP06

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

Dauer:

1 Semester

Angebotsturnus:

Jedes Sommersemester

Leistungspunkte:

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

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