Medical Image Processing 2 - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Medical Image Processing 2 im Studiengang Master Biomedical Engineering by Research 2025
Modulnummer	201264
Prüfungsnummer	220502
Fakultät	Fakultät für Informatik und Automatisierung
Fachgebietsnummer	2226
Modulverantwortliche(r)	Prof. Dr. Sylvia Saalfeld
Turnus	Sommersemester
Sprache	Englisch
Leistungspunkte	5
Präsenzstudium (h)	45
Selbststudium (h)	105
Verpflichtung	Pflichtmodul
Abschluss	Prüfungsleistung mit mehreren Teilleistungen
Details zum Abschluss	Das Modul Medical Image Processing 2 mit der Prüfungsnummer 220502 schließt mit folgenden Leistungen ab: schriftliche Prüfungsleistung über 90 Minuten mit einer Wichtung von 100% (Prüfungsnummer: 2200886) alternative semesterbegleitende Studienleistung mit einer Wichtung von 0% (Prüfungsnummer: 2200887) Details zum Abschluss Teilleistung 2: 1/2 of the set seminar tasks must be solved and, if necessary, explained to the other participants A documented instruction is required each semester in order to carry out laboratory experiments.
Link zum Moodle-Kurs
Lehrende	Prof, Saalfeld
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse	Basics in Image Processing
Lernergebnisse und erworbene Kompetenzen	The students are able to understand the presented segmentation techniques and explain them using the example of 2D, 3D, and 4D medical data. This competency is assessed with the second part of the course, in which the participants have to solve practical exercises and explain them to the other participants. The students are capable of implementing segmentation techniques, i.e., applying the techniques presented in the course to real life medical image data. The students are able to evaluate the performance of the segmentations and thus assess which segmentation technique is best suitable with respect to duration time and accuracy. The students possess the necessary prerequisite knowledge to identify suitable segmentation techniques for novel applications.
Inhalt	The most important medical segmentations are carried out for specific medical application scenarios (e.g. intracranial aneurysms, liver cancer data, ...). Building on the basics in Image processing, the basic techniques will be expanded in order to implement image processing methods for specific medical data sets. These include region-based methods (Thresholding, Region Growing, Markov Random Fields, Watershed, Graph Cuts), Deformable Models (Active Contour, Level-Set Methods), Atlas-Guided Methods, and Machine Learning Methods (Supervised and Unsupervised Methods, Deep Learning Methods). The medical data sets are made available through collaborations with clinical partners or through freely available challenge data (e.g. http://medicaldecathlon.com/). Finally, evaluation metrics (e.g. DICE score, F1 score) are used to assess the segmentation quality of the implemented techniques.
Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form	Tafelmitschriften, Folien, Computer-basierte Präsentation, Demonstration , Übungsaufgaben, Software
Literatur	Computer Vision: Algorithms and Applications, 2nd Edition, Richard Szeliski, 2021 Alzahrani, Y., & Boufama, B. (2021). Biomedical image segmentation: a survey. SN Computer Science, 2, 1-22. In addition, a list of references with scientific papers will be provided at the end of each lecture specific for each topic
Lehrevaluation