تحلیل تصاویر زیست‌پزشکی
Analysis of Biomedical Images
| مقطع: تحصیلات تکمیلی | گرایش: بیوانفورماتیک |
| نوع درس: نظری | تعداد واحد: ۳ |
| پیش‌نیاز: – | هم‌نیاز: – |
هدف کلی
با توجه به تحولات اخیر حوزه هوش‌مصنوعی و یادگیری ماشین، و همچنین پیشرفت فناوری‌های تصویربرداری زیست‌پزشکی و تولید تصاویر باکیفیت، پردازش هوشمند این تصاویر بیشتر امکان‌پذیر شده است. هدف از این درس کسب توانایی‌های لازم برای طراحی اصول‌مند راه‌حل‌های نوین هوشمند و مطمئن برای مسائل موجود پزشکی مانند تشخیص، پیش‌بینی، بهبود تصویر، و قطعه‌بندی تصاویر و همچنین رسیدن به زبان مشترک برای انتقال یافته‌ها و روش طراحی شده به یک متخصص زیست‌شناس یا رادیولوژیست است.
سرفصل‌ها
- اصول اولیه پردازش و ذخیره‌سازی تصاویر (سه جلسه)
- تئوری نمونه‌برداری و تبدیل فوریه
- روش‌های درون‌یابی و سنجش فشرده (compressed sensing) برای بازسازی تصاویر
- فرمت DICOM برای ذخیره‌سازی و انتقال تصاویر پزشکی
- منابع تصاویر پزشکی (مانند X-ray و MRI) و فیزیک آن (دو جلسه)
- انواع میکروسکوپ (فلورسنت، الکترونی و غیره) (دو جلسه)
- نرم‌افزارهای تحلیل و کمی‌سازی تصاویر میکروسکوپی مانند CellProfiler و Ilastik و ImageJ (پنج جلسه)
- انواع پیش‌پردازش‌های مفید تصاویر (سه جلسه)
- بهبود تصاویر (image enhancement)
- ثبت تصاویر (image registration)
- روش‌های قطعه‌بندی (segmentation) (پنج جلسه)
- آستانه‌گذاری
- روش Watershed
- روش Faster Mask RCNN
- روش U-net و مشتقات آن
- روش‌های 3D CNN برای قطعه‌بندی تصاویر حجمی (V-net و DeepMedic و HighRes3Dnet)
- روش Segment Anything
- روش‌های ردیابی سلول‌ها در ویدئو (دو جلسه)
- روش‌های خودکار تشخیص و پیش‌بینی تصاویر (چهار جلسه)
- روش‌های نمایه‌سازی (profiling) تصاویر میکروسکوپی (دو جلسه)
ارزیابی پیشنهادی
- تمرین: ۱۵٪
- پروژه: ۲۰٪
- امتحان کوتاه: ۱۰٪
- امتحان میان‌ترم: ۲۵٪
- امتحان پایان ترم: ۳۰٪
منابع پیشنهادی
- Kota Miura. Bioimage Data Analysis. Wiley, 2016.
- Paul Suetens. Fundamentals of Medical Imaging. Cambridge University Press, 3rd Edition, 2017.
- Guorong Wu, Dinggang Shen, Mert Sabuncu. Machine Learning and Medical Imaging. Elsevier and Micca Society, 1st Edition, 2016.
- S. Kevin Zhou, Hayit Greenspan, Dinggang Shen. Deep Learning for Medical Image Analysis. Elsevier, 1st Edition, 2017.