ΜΒ06 - Εισαγωγή σε Τεχνικές Ανάλυσης Εικόνας και Μηχανικής Μάθησης

ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

1. Κατανόηση   βασικών μεθόδων δημιουργίας   βιοιατρικής εικόνας

2. Κατανόηση   βασικών μεθόδων επεξεργασίας   και ανάλυσης βιοιατρικής απεικόνισης

3. Εκμάθηση βασικών   μεθόδων βελτιστοποίησης αντίθεσης εικόνας

4. Κατανόηση   βασικών μεθόδων  ποσοτικής περιγραφής ιατρικών εικόνων

5. Εκμάθηση τεχνικών   Μηχανικής μάθησης και Νευρωνικών δικτύων

6. Εκμάθηση   μεθοδολογίας ανάλυσης απεικονιστικών δεδομένων και χαρακτηριστικών

7. Χρήση   προγραμμάτων για την είσοδο σε βάσεις δεδομένων και τράπεζες πληροφοριών

8. Μετα-ανάλυση  και διαχείριση απεικονιστικών δεδομένων

ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

-   Εισαγωγή στην επεξεργασία και ανάλυση εικόνας

Ιατρική   απεικόνιση, βελτιστοποίηση εικόνας, βελτιστοποίηση αντίθεσης εικόνας,   βελτιστοποίηση ακμών, χρήση βαθμιδωτών φίλτρων, χρήση Gaussian και Laplacian φίλτρων, τεχνικές μείωσης   θορύβου, γραμμικό φιλτράρισμα, διάμεσο φιλτράρισμα, φιλτράρισμα διάχυσης,   διαδικασία επεξεργασίας και ανάλυσης εικόνας-ροή εργασιών. Επιμέρους   διαδικασίες: Τμηματοποίηση εικόνας, ταξινόμηση, ανακατασκευή, μέτρηση ροής,   οπτικοποίηση αποτελεσμάτων.

Ανάλυση   ψηφιακών εικόνων: εξαγωγή χαρακτηριστικών εικόνας, fusion ιατρικών εικόνων,   παραδείγματα επεξεργασίας και ανάλυσης εικόνων, κανονικοποίηση εικόνας,   φιλτράρισμα εικόνας, μετατροπή εικόνας σε δυαδική.

- Εισαγωγή   στη Μηχανική Μάθηση και τα Νευρωνικά Δίκτυα

Ορισμός   εννοιών, τεχνητή νοημοσύνη (ΑΙ), μηχανική μάθηση (ML), βαθιά μάθηση (DL).

Μηχανική   μάθηση: κύρια είδη μάθησης (μη επιβλεπόμενη μάθηση και επιβλεπόμενη μάθηση),   παλινδρόμηση, ταξινόμηση, παραδείγματα εφαρμογή της μηχανικής μάθησης,   χαρακτηριστικά (features), μοντέλα, εξαγωγή χαρακτηριστικών, συνολική διαδικασία   ταξινόμησης, ταξινόμηση ανάλογα με το μήκος, διαχωρισμός χώρου   χαρακτηριστικών, αποτίμηση επιδόσεων ταξινόμησης, σύγκριση επίδοσης μοντέλων-   καμπύλη ROC.

Radiomics: μέθοδος ποσοτικής περιγραφής ιατρικών εικόνων, Radiomics και τεχνητή νοημοσύνη, Radiomics και βαθιά μάθηση,   παραδείγματα εφαρμογής Radiomics.

Νευρωνικά   δίκτυα: τεχνητός νευρώνας, τεχνητά νευρωνικά δίκτυα (Artificial Neural   Networks), Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks).   Αξιολόγηση εργαλείων ΤΝ από το χρήστη, Προοπτικές / Προκλήσεις (Deep   Learning), Big Data-ορισμός, Διαχείριση & Ανάλυση big data, Data mining –   Εξόρυξη δεδομένων, Data science, Image repositories, TCIA – The Cancer   Imaging Archive.

Βαθιά   Μάθηση στην Ιατρική Απεικόνιση-Εφαρμογές: Διαφοροδιάγνωση όγκων εγκεφάλου-   MRI, Καρκίνος του πνεύμονα- CT, Καρκίνος προστάτη– ultrasound και MRI, -   Δημιουργία τεχνητών εικόνων.