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
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
Setzt voraus:
Modulverantwortliche:
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 Änderungen:
14.09.2021