Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Rozpoznawanie wzorców w zastosowaniach medycznych
Tok studiów:
2019/2020
Kod:
ZSDA-3-0047-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
Dyscypliny:
inżynieria biomedyczna, inżynieria chemiczna, inżynieria materiałowa, nauki chemiczne, nauki fizyczne
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Celem modułu jest zapoznanie studentów z metodami i algorytmami rozpoznawania wzorców w zastosowaniu do medycznych danych obrazowych. W trakcie modułu studenci zapoznają się zarówno z metodami tradycyjnymi (template matching, statystyczna analiza kształtu, modele Markova) jak i z metodami opartymi o uczenie maszynowe. W trakcie zajęć seminaryjnych omawiane są praktyczne przykłady wykorzystania metod rozpoznawania wzorców w analizie (również ilościowej) obrazów medycznych.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Zna podstawy teoretyczne algorytmów rozpoznawania wzorców SDA3A_W01 Aktywność na zajęciach
M_W002 Zna aktualne trendy związane z wykorzystaniem metod "pattern recognition" w analizie obrazów medycznych SDA3A_W02 Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Potrafi zaprojektować proces przetwarzania danych medycznych z wykorzystaniem algorytmów rozpoznawania wzorców SDA3A_U01 Aktywność na zajęciach
M_U002 Potrafi w praktyce wykorzystać biblioteki i pakiety oprogramowania do implementowania algorytmów "pattern recognition" w zastosowaniu do danych medycznyc SDA3A_U01 Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
24 6 0 0 0 0 18 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Zna podstawy teoretyczne algorytmów rozpoznawania wzorców + - - - - - - - - - -
M_W002 Zna aktualne trendy związane z wykorzystaniem metod "pattern recognition" w analizie obrazów medycznych + - - - - - - - - - -
Umiejętności
M_U001 Potrafi zaprojektować proces przetwarzania danych medycznych z wykorzystaniem algorytmów rozpoznawania wzorców - - - - - + - - - - -
M_U002 Potrafi w praktyce wykorzystać biblioteki i pakiety oprogramowania do implementowania algorytmów "pattern recognition" w zastosowaniu do danych medycznyc - - - - - + - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 79 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 24 godz
Przygotowanie do zajęć 10 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 5 godz
Samodzielne studiowanie tematyki zajęć 40 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (6h):

W trakcie wykładu przedstawione zostaną:
klasyczne algorytmy klasy “pattern recognition” (“template matching”, statystyczne modele kształtu, modele Markova)
algorytmy oparte o uczenie maszynowe (sieci neuronowe, lasy losowe, metody regresji, metody ekstrakcji cech)

Zajęcia seminaryjne (18h):

Prowadzący w oparciu o przegląd bieżącej literatury proponuje słuchaczom listę artykułów z czasopism branżowych (m.in. IEEE Transactions on Medical Imaging, Medical Image Analysis), które będą podstawą do dyskusji na zajęciach seminaryjnych. Słuchacze referują artykuły w trakcie kolejnych zajęć seminaryjnych, przedstawiając w szczególności algorytmy rozwiązania problemów, będących przedmiotem omawianych artykułów. Słuchacze prezentują również samodzielnie wykonane implementacje omawianych algorytmów.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Zajęcia seminaryjne: Dyskusja moderowana przez prowadzącego.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zaliczenie na podstawie prezentacji podstaw teoretycznych i implementacji omawianego przez słuchacza algorytmu.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: – Obecność obowiązkowa: Tak – Zasady udziału w zajęciach: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości.
  • Zajęcia seminaryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci referują wskazane przez prowadzącego artykuły dotyczące zastosowań metod rozpoznawania wzorców w analizie obrazów medycznych.
Sposób obliczania oceny końcowej:

Średnia z ocen prezentacji teoretycznej algorytmu i oceny za implementacji algorytmu. Obie oceny cząstkowe muszą być pozytywne.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Zaliczenie indywidualne po uzgodnieniu z prowadzącym.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Nie podano wymagań wstępnych lub dodatkowych.

Zalecana literatura i pomoce naukowe:

Paulo Mazzoncini de Azevedo-Marques, Arianna Mencattini, Marcello Salmeri, Rangaraj M. Rangayyan: Medical Image Analysis and Informatics: Computer-Aided Diagnosis and Therapy [1 ed.]. CRC Press 2018.
K.D.Toenies: Guide to Medical Image Analysis: Methods and Algorithms [2 ed.], Springer 2017.
S. Kevin Zhou, Hayit Greenspan, Dinggang Shen (eds.): Deep Learning for Medical Image Analysis [1 ed.]. Elsevier 2017.
M.Sonka, V. Hlavac, R. Boyle: Image Processing, Analysis, and Machine Vision. Thomson 2008.
G. Dougherty (Ed.): Medical Image Provessing. Springer 2011.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

A.Krupa, Z.Tabor, J.Tarasiuk, B.Strach, K.Pociecha, E.Wyska, E.Łyszczarz, R.Jachowicz: The impact of polymers on 3D microstructure and controlled release of sildenafil citrate from hydrophilic matrices, Eur. J. Pharm. Sci. 2018, 119: 234-243.
D.Michalski, Z.Tabor, B.Zieliński: Determining the shift of a bronchoscope catheter from the analysis of a video sequence of a bronchoscope video camera, Biocybernetics and Biomedical Engineering 2017, 37: 630-636.
A. Krupa, O. Cantin, B. Strach, E. Wyska, Z. Tabor, J. Siepmann, R. Jachowicz: In vitro and in vivo behavior of ground tadalafil hot-melt extrudates: How the carrier material can effectively assure rapid or controlled drug release, International Journal of Pharmaceutics 2017, 528: 498-510.
T. Gąciarz, W. Wojciechowski, Z. Tabor: Automated assessment of hallux valgus in radiographic images, Lecture Notes in Computational Vision and Biomechanics 27: 633-638, VipIMAGE 2017, Porto, 18-20 Oct 2017.
W.Wojciechowski, A.Molka, Z.Tabor: Automated measurement of parameters related to the deformities of lower limbs based on X-rays images, Computers in Biology and Medicine, 2016; 70: 1-11.
A.Kierklo, Z.Tabor, M.Pawińska, M.Jaworska, A microCT-based comparison of root canal filling quality following different instrumentation and obturation techniques, Medical Principles and Practice, 2015;24: 84-91.
A.Kierklo, Z.Tabor, R.Petryniak, M.Dohnalik, M.Jaworska, Application of microcomputed tomography for quantitative analysis of dental root canal obturations, Postępy Hig. Med.Dosw. 68, 310-315, 2014.
W.Wojciechowski, K.Czaplicka, J. Włodarczyk, Z.Tabor, Correlation between manual 0.2 Tesla MRI assessment of synovitis and EULAR-OMERACT scores of the wrist in patients with rheumatoid arthritis, Journal of Magnetic Resonance Imaging 39, 1171 – 1177, 2014.

Informacje dodatkowe:

Brak