Website
Modulhandbuch ab 2016

Modul CS4335-KP08

Bildanalyse und Computergrafik (BACGKP08)

Dauer:


1 Semester
Angebotsturnus:


Jedes Sommersemester
Leistungspunkte:


8
Studiengang, Fachgebiet und Fachsemester:
  • Master Mathematik in Medizin und Lebenswissenschaften 2016 (Pflicht), MML/Nebenfach Bildverarbeitung, 2. Fachsemester
Lehrveranstaltungen:
  • CS4332-V: Modell- und KI-basierte Bildverarbeitung in der Medizin (Vorlesung, 2 SWS)
  • CS3205-Ü: Computergrafik (Übung, 1 SWS)
  • CS4332-Ü: Modell- und KI-basierte Bildverarbeitung in der Medizin (Übung, 1 SWS)
  • CS3205-V: Computergrafik (Vorlesung, 2 SWS)
Workload:
  • 40 Stunden Schriftliche Ausarbeitung
  • 15 Stunden Vortrag (inkl. Vor- und Nachbereitung)
  • 20 Stunden Prüfungsvorbereitung
  • 90 Stunden Selbststudium und Aufgabenbearbeitung
  • 75 Stunden Präsenzstudium
Lehrinhalte:
  • Teil A, Bildanalyse:
  • 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
  • Teil B, Computergrafik:
  • Geometrische Transformationen in 2D und 3D
  • Homogene Koordinaten
  • Transformationen zwischen kartesischen Koordinatensystemen
  • Planare und perspektivische Projektionen
  • Polygonale Modelle
  • Beleuchtungmodelle und Schattierungsverfahren
  • Texture Mapping
  • Culling und Clipping
  • Entfernen verdeckter Linien und Oberflächen
  • Rastergrafik-Algorithmen
  • Raytracing
  • Schatten, Spiegelung und Transparenz
  • Grundlagen der Grafikprogrammierung mit OpenGL und GLSL
Qualifikationsziele/Kompetenzen:
  • Teil A, Bildanalyse:
  • 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.
  • Teil B, Computergrafik:
  • Studierende kennen die grundlegenden Konzepte, Algorithmen und Verfahren der Computergrafik
  • Sie können grundlegenden Algorithmen der Computergrafik implementieren und anwenden
  • Sie können die Möglichkeiten und Grenzen sowie die Vor- und Nachteile der vermittelten Techniken einschätzen und erläutern
Vergabe von Leistungspunkten und Benotung durch:
  • Klausur
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 Vision - 2nd edition. Pacific Grove: PWS Publishing 1998
  • B. Preim, D. Bartz: Visualization in Medicine - Elsevier, 2007
  • Foley et. al: Grundlagen der Computergrafik - Addison-Wesley, 1994
Sprache:
  • Wird nur auf Deutsch angeboten
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, 50% der Modulnote
- CS3205-L1: Computergrafik, Klausur, 90min, 50% der Modulnote

Der Modulteil CS4332T 'Modell- und KI-basierte Bildverarbeitung in der Medizin' ersetzt das nicht mehr angebotene Modulteil CS4331T 'Bildanalyse und Visualisierung in Diagnostik und Therapie'.

Letzte Änderung:
20.4.2023