Overordnede kursusmål
På dette kursus kommer du til at arbejde med 3D-billeder
(volumener). 3D-billeddannelse er især nyttig, hvis du ønsker at
undersøge den indre struktur af et materiale på et mikroskopisk
niveau uden at ødelægge den prøve, du afbilder. Du kan bruge dette
på en lang række områder fra medicin til materialeforskning. For at
bruge 3D-billeddannelse skal du kombinere viden fra tre områder:
billedoptagelse, behandling og analyse. Og selvfølgelig skal du
kende den prøve, du studerer. På dette kursus får du de
færdigheder, der gør dig i stand til at bruge 3D-billeddannelse som
et forskningsværktøj.
De metoder, vi vil diskutere, vil være generelle og anvendelige til
alle 3D volumetriske billeder som dem, for eksempel fra magnetisk
resonans imaging. Der vil dog blive lagt særlig vægt på 3D røntgen
µCT-billeddannelse (mikro-CT) på grund af vores tætte forhold til
3D-billeddannelsescentret på DTU og med MAX IV synkrotronen i Lund
(et nyt forskningsanlæg i verdensklasse), som giver unikke
muligheder inden for 3D-billeddannelse.
Den sværeste, men også sjove og givende del af 3D-billeddannelse er
at analysere billederne. På dette kursus får du de praktiske
færdigheder til at udføre avanceret visualisering og analyse, og du
behøver ikke at have arbejdet med billedanalyse før. Gennem hele
kurset vil du bruge high performance computing, når du analyserer
store 3D-billeder.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- udføre eksperimentel 3D-billeddannelse, herunder
prøveforberedelse, scanning, indsamling af data og rekonstruktion
af et 3D-volumen,
- beskrive de matematiske dele af billeder og
billedbehandling,
- vælge og anvende passende billedanalysemetoder til
3D-billeder,
- implementere analysemetoder til billedbehandling og
segmentering af 3D-billeder ved hjælp af Python,
- vælge de passende 3D-visualiseringsmetoder og værktøjer til at
inspicere 3D-billeder,
- bruge et high performance computing system og administrere
parallelitet, hukommelse og ressourcer,
- kunne give praktiske eksempler på brug af laboratorie og
synkrotron mikro-CT scanning,
- bruge de opnåede færdigheder til at udføre et mindre
forskningsprojekt.
Kursusindhold
Du vil lære de kernefærdigheder, der er nødvendige for at bruge
3D-billeddannelse, herunder opsætning af scanninger, skrivning af
kode, brug af softwareværktøjer og eksperimentering med data.
Du vil lære om nyttige metoder til billedrekonstruktion,
segmentering, morfologi, udtrække features og kvantificering. Du
vil gøre det fra et matematisk/fysisk perspektiv og derefter den
praktiske brug/implementering med Python.
Du vil sætte dig ind i softwareværktøjer til visualisering og
udfoskning af data og lære at beregne statistik over formen og
størrelsen af de afbildede strukturer.
Du vil lære om styring af performance, når du behandler dine data,
hvordan du måler eksekveringstid, bruger hukommelsesressourcer og
parallel computing.
3D-billeder er ofte meget store, og et enkelt billede kan være på
flere GB, hvilket gør datahåndtering og -behandling udfordrende på
en normal pc. Derfor vil du lære at bruge high performance
computing, der gør det muligt at behandle store mængder data. Du
skal bruge Gbar.
Gennem kurset får du trænet din evne i at skrive kode til at
udvikle billedbehandlingspipelines, som er velegnede til
3D-billedanalyse. Du får forudsætninger for at arbejde videre inden
for 3D imaging, billedanalyse og/eller high performance computing.
Litteraturhenvisninger
Kursusnoter.
Sidst opdateret
02. maj, 2024