02509 Computational 3D-billeddannelse og analyse

2024/2025

Dette kursus vil give dig et solidt metodisk grundlag for volumetrisk billedanalyse ved at introducere de nødvendige analyseværktøjer, samt træne dig i hvordan du implementerer metoder på High Performance Computing clusteret.

Sideløbende med dette kursus er der et andet kursus ’02510 Deep Learning for Experimental 3D Image Analysis’, som vil give dig færdigheder i at analysere store 3D-billeder ved hjælp af deep learning. Det er muligt, og fordelagtigt, at følge begge kurser.
Kursusinformation
Computational 3D Imaging and Analysis
Engelsk
10
Kandidat
Retningsspecifikt kursus (MSc), Autonomous Systems
F5 (ons 8-17)
Campus Lyngby
Forelæsninger efterfulgt af øvelser.
13-uger
F5A
Mundtlig eksamen
Alle hjælpemidler - med adgang til internettet
7-trins skala , intern bedømmelse
02450/02502 , Dette kursus kan følges uden forudsætninger. Kurset er hands-on og derfor kommer du til at kode i Python.
Maksimum: 50
Marco Pizzolato , mapiz@dtu.dk
Anders Bjorholm Dahl , Tlf. (+45) 4525 3907 , abda@dtu.dk
Hans Martin Kjer , Lyngby Campus, Bygning 324, Tlf. (+45) 4525 3035 , hmkj@dtu.dk
01 Institut for Matematik og Computer Science
10 Institut for Fysik
I studieplanlæggeren
Dette kursus giver den studerende en mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
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