Dauer:
1 Semester | Angebotsturnus:
Jedes Sommersemester | Leistungspunkte:
4 |
Studiengang, Fachgebiet und Fachsemester: - Master Medizinische Ingenieurwissenschaft 2014 (Modulteil eines Wahlmoduls), Informatik/Elektrotechnik, 2. Fachsemester
- Master Medizinische Ingenieurwissenschaft 2020 (Modulteil eines Wahlmoduls), Informatik/Elektrotechnik, Beliebiges Fachsemester
|
Lehrveranstaltungen: - CS4332-Ü: Modell- und KI-basierte Bildverarbeitung in der Medizin (Übung, 1 SWS)
- CS4332-V: Modell- und KI-basierte Bildverarbeitung in der Medizin (Vorlesung, 2 SWS)
| Workload: - 45 Stunden Präsenzstudium
- 55 Stunden Selbststudium und Aufgabenbearbeitung
- 20 Stunden Prüfungsvorbereitung
| |
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.
|
Vergabe von Leistungspunkten und Benotung durch: - Klausur oder mündliche Prüfung nach Maßgabe des Dozenten
|
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 gemäß Vorgabe am Semesteranfang
Modulprüfung(en):
- CS4332-L1 Modell- und KI-basierte Bildverarbeitung in der Medizin, Klausur, 90min, 100% der Teilmodulnote
Dieses Modulteil ersezt die ausgelaufenen Modulteile CS4330 T und CS4331 T ''Bildanalyse und Visualisierung in Diagnostik und Therapie''.
(Ist ähnlich CS4332-KP04)
(Ist Modulteil von CS4380) |
Letzte Änderung: 14.9.2021 |
für die Ukraine