HL2027 Medicinsk bildanalys och rekonstruktion i 3D 9,0 hp

Kursen är indelad i 5 moduler:

• Bildrekonstruktion: olika metoder för tomografisk rekonstruktion (skapa 3D-bilder från 2D-projektioner) och från frekvensdomänackvisition (magnetresonans).
• Bildförbättring: bildbehandling och förbättring i spatial-, frekvens- och spatial-frekvensdomän.
• Bildregistrering: Linjär och icke-linjär registrering och registrering med a priori-information.
• Bildsegmentering: Voxel-, graf-, kontur- och modellbaserad bildsegmentering.
• Bildanalys: egenskapsextraktion, bildklassificering, bildregression, maskininlärning och djupt lärande för bildanalys.

Varje modul består av föreläsningar, laborationer, matematiska övningar och kontrollskrivningar. Deltagarna kombinerar grundläggande och avancerade mjukvarubibliotek för medicinsk bildbehandling och analys i Python, inklusive scipy, numpy, SimpleITK, scikit-image, scikit-learn, TensorFlow m m. Några specifika laborationer använder MATLAB. Kursen innehåller också introduktionslaborationer för studenter med programmeringserfarenhet men utan erfarenhet i Python.

Användningen av datorverktyg för att analysera 3D-medicinska bilder har förbättrat diagnostik och behandling av olika sjukdomar. Kursen omfattar begrepp, teorier och de mest använda metoderna för detta syfte, vilket innefattar att skapa läsbara 3D-bilder från råa förvärvade data från skannrarna (bildrekonstruktion), förbättra kvaliteten (bildförbättring), inpassa bilder från samma eller olika modalitet till varandra (bildregistrering), identifiera relevanta regioner i bilder (bildsegmentering) och extrahera betydelsefull information från bilderna (bildanalys). Kursen är inriktad på att lösa medicinskt relevanta problem.

Efter genomförd kurs ska deltagaren för alla de ovan nämnda problemen kunna:

• Förstå de viktigaste problemen och utmaningarna
• Beskriva huvudprinciperna och metoderna och de viktigaste skillnaderna mellan dem
• Sammanfatta fördelarna och nackdelarna och tillämpningsområdet för olika metoder
• Identifiera och förstå den matematiska teorin bakom de mest använda metoderna
• Utveckla och systematiskt utvärdera olika metoder för att lösa förenklade problem
• Använd och anpassa avancerade verktyg för att lösa komplexa problem
• Välja och anpassa de lämpligaste metoderna för att lösa problem i bildrekonstruktion och -analys
• Analysera effekten av olika parametrar hos metoderna i särskilda situationer
• Förklara muntligt och skriftligt den föreslagna strategin för att lösa specifika problem

för att:

• förstå det fullständiga arbetsflödet för att använda beräkningsverktyg för bildanalys i ett medicinskt sammanhang
• kunna implementera beräkningslösningar i bildrekonstruktion och analys till medicinskt relevanta problem
• ha en bred kunskapsbas som kan underlätta att förstå litteratur inom området

Kandidatexamen i Medicinsk teknik, Teknisk fysik, Elektroteknik, Datateknik eller motsvarande. Engelska B/6.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• PROA - Projekt, 3,0 hp, betygsskala: A, B, C, D, E, FX, F
• PROB - Projekt, 6,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Rodrigo Moreno

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Överlappar delvis med HL2027.