Image Processing in Medicine 2 and AI - Interactive curriculae of TU Ilmenau
The interactive curriculae provide information on the degree programmes offered by the TU Ilmenau.
Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).
You can find all details on planned lectures and classes in the course catalogue.
Please note that this page is no longer updated. All modules and study plans from PO version 2021 onwards (Bachelor and Master study programs) are now available on the Campus Portal.
| module properties module number 201384 - common information | |
|---|---|
| module number | 201384 |
| department | Department of Computer Science and Automation |
| ID of group | 2221 (Biomedical Engineering) |
| module leader | Dr. Dunja Jannek |
| language | Deutsch |
| term | Wintersemester |
| previous knowledge and experience | Signalverarbeitung, Grundlagen der Neuroinformatik, Möglichkeiten der Diagnostischen Bildgebung in der Medizin, Grundlagen Klinischer Methoden in Diagnostik und Therapie, Umgang mit Matlab und Python |
| learning outcome | Fachkompetenz: Die Studierenden haben ihre Kenntnisse über die Komponenten des Bildverarbeitungsprozesses erweitert. Sie verstehen komplexere Algorithmen bezogen auf spezielle Probleme in der medizinischen Bildverarbeitung, insbesondere zur Bilddatenkompression, dem kantenerhaltenden Entrauschen, alternativer, besonders KI-basierter Segmentierungsverfahren, klassische und KI-gestützte Bilddatenregistrierung und zur Farbbildverarbeitung und der 3D-Visualisierung. Basierend auf den Grundlagen können die Studierenden die Möglichkeiten der Künstlichen Intelligenz zum Erkennen und dem Stadium von Krankheiten (z.B. in der Mammaografie oder der Ophthalologie), zur Visualisierung in der OP-Planung oder zur noch besseren Schonung des gesunden Gewebes bei der Bestrahlung von Tumoren in der Strahlentherapie einschätzen und den Weg in die klinische Routine nachvollziehen. Sie beherrschen die algorithmischen Grenzen einzelner Verfahren und verfügen über Fähigkeiten zur Implementierung dieser Verfahren und der parametrischen Beeinflussung. Speziell bei der Anwendung KI-basierter Methoden beherrschen sie verschiedene Ansätze und kennen Aufwand und Grenzen der Methoden. Methodenkompetenz: Die Studierenden kennen die spezifischen Probleme der medizinischen Bildverarbeitung. Sie können selbständig komplexe Bildverarbeitungsprobleme im medizinischen Kontext erfassen, analysieren und speziell in den Übungen prototypische Lösungsansätze in MATLAB und Phyton umsetzen und an realen Problemstellungen validieren. Mit einem erweiterten Algorithmenverständnis sind sie so in der Lage, auch alternative Lösungsansätze zu formulieren und auf unbekannte Probleme anzuwenden. Systemkompetenz: Die Studierenden verstehen die Bildverarbeitung in der Medizin als interdisziplinäres System zur Verarbeitung und Analyse medizinischer Bilddaten unterschiedlichster Modalitäten und damit als notwendigen Bestandteil medizinischer Bildgebungssysteme, die dem Mediziner relevante Patienteninformationen auf geeignete Weise visualisieren. Sozialkompetenz: Durch die Vorlesungen und Übungen sind sich die Studierenden der vielschichtigen Aspekte moderner Bildverarbeitung bewusst. Sie sind in der Lage, sich der fachspezifischen Diskussion interessiert zu stellen, Fragen zu beantworten und ihre Position klar zu kommunizieren. Dabei lernen sie, unterschiedliche Meinungen und Auffassungen zur Herangehensweise und zum Einsatz komplexer Algorithmen zur Bildverarbeitung zu akzeptieren und sich selbst zu hinterfragen. Im Praktikum werden gezielt folgende Kompetenzen erworben: Die Studierenden beherrschen das Verständnis für die Spezifik medizinischer Bildverarbeitungsprobleme. Mit diesem Wissen sind sie in der Lage, komplexere Fragestellungen der medizinischen Bildverarbeitung in der Gruppe zu analysieren, Lösungsansätze klar zu formulieren und Teilprobleme rechentechnisch umzusetzen durch die Anwendung forschungsorientierter und klinischer Bildverarbeitungssoftware. Die Studierenden zeigen Interesse für die praktische Tätigkeit im Laborversuch. |
| content | Speicherung von Bilddaten: -Datenreduktion und Datenkompression, Möglichkeiten in der medizinischen Anwendung -JPEG und JPEG2000 -Medizinische Bilddatenstandards - DICOM und Alternativen Bildbearbeitung: -Qualitätsmaße für Bilder -Bildverbesserung und Bildrestauration - Kantenerhaltendes Entrauschen, klassisch vs. KI -Bildregistrierung - merkmals- und voxelbasiert, KI-basierte Anätze Bildanalyse: -Segmentierung - Clusterung, modellbasiert, KI-basiert, Evaluation -Merkmalsextraktion - Formanalyse, Texturanalyse, Umsetzung klassisch und mit KI -Klassifikation - überwacht, unüberwacht, Machine Learning, Deep Learning -Vermessung und Interpretation - Distanz, Winkel, Fläche, Volumen Visualisierung von Bilddaten: -Darstellung von Grauwertbildern - Wiederholung -Darstellung von Farbbildern - Farbmodelle, Farbräume, Transformation, Analyse -3D-Visualisierung - Surface-Rendering, Volume-Rendering, Beleuchtung und Schattierung mit Anwendungsbeispielen zur Bestrahlungsplanung und OP-Planung |
| media of instruction and technical requirements for education and examination in case of online participation | Vorlesung Medienform: Tafel, Mitschriften, computergestützte Präsentationen, Arbeitsblätter, Übungsaufgaben, Demonstrationen Seminar Medienform: Rechentechnisches Kabinett, computergestützte Präsentationen, Whiteboard |
| literature / references | Birkfellner, Wolfgang (2014): Applied medical image processing. A basic course. Boca Raton: Taylor & Francis, 2nd edition. Burger, Wilhelm; Burge, Mark James (2009): Principles of digital image processing. London: Springer. Demirkaya, Omer; Asyali, Musa Hakan; Sahoo, Prasanna (2009): Image processing with MATLAB. Applications in medicine and biology. Boca Raton: CRC Press. Dougherty, Geoff (2011): Medical Image Processing. New York: Springer. Gonzalez, Rafael C.; Woods, Richard E. (2018): Digital image processing. 4. Aufl. Upper Saddle River, N.J: Prentice Hall. Gonzalez, Rafael C.; Woods, Richard E.; Eddins, Steven L. (2009): Digital Image processing using MATLAB. 2. Aufl. United States: Gatesmark Publishing. Handels, Heinz (2009): Medizinische Bildverarbeitung. Bildanalyse, Mustererkennung und Visualisierung für die computergestützte ärztliche Diagnostik und Therapie. 2. Aufl. Wiesbaden: Vieweg + Teubner. Jähne, Bernd. (2012): Digitale Bildverarbeitung und Bildgewinnung. Springer Vieweg. Preim, Bernhard; Botha, Charl P. (2014): Visual Computing for Medicine: Theory, Algorithms, and Applications.2.Aufl. Elsevier/ Morgan Kaufmann. Tönnies, Klaus D. (2017): Guide to medical image analysis: methods and algorithms. 2. Aufl. London: Springer |
| evaluation of teaching | |
| Details reference subject | |
|---|---|
| module name | Image Processing in Medicine 2 and AI |
| examination number | 220509 |
| credit points | 5 |
| SWS | 28 (2 V, 1 Ü, 25 P) |
| on-campus program (h) | |
| self-study (h) | -165 |
| obligation | obligatory module |
| exam | examination performance with multiple performances |
| details of the certificate | Das Modul Bildverarbeitung in der Medizin 2 und KI mit der Prüfungsnummer 220509 schließt mit folgenden Leistungen ab:
Details zum Abschluss Teilleistung 2: Praktikumsversuch Bildverarbeitung in der Medizin 2; Note ergibt sich aus Testatgespräch, Durchführung und Protokoll. Dabei wird das arithmetische Mittel der drei Teilleistungen gebildet. |
| link to Moodle course | |
| teacher | Dr. Jannek |
| signup details for alternative examinations | |
| maximum number of participants | |
| Details in degree program Master Biomedizinische Technik 2021 | |
|---|---|
| module name | Image Processing in Medicine 2 and AI |
| examination number | 220509 |
| credit points | 5 |
| on-campus program (h) | 34 |
| self-study (h) | 116 |
| obligation | elective module |
| exam | examination performance with multiple performances |
| details of the certificate | Das Modul Bildverarbeitung in der Medizin 2 und KI mit der Prüfungsnummer 220509 schließt mit folgenden Leistungen ab:
Details zum Abschluss Teilleistung 2: Praktikumsversuch Bildverarbeitung in der Medizin 2; Note ergibt sich aus Testatgespräch, Durchführung und Protokoll. Dabei wird das arithmetische Mittel der drei Teilleistungen gebildet. |
| link to Moodle course | |
| signup details for alternative examinations | |
| maximum number of participants | |