02510 Deep learning for eksperimentel 3D billedanalyse

2024/2025

Hvis du vil analysere komplekse 3D-billeder ved hjælp af deep learning, er dette kursus for dig! Du vil også lære, hvordan du optager 3D-billeder ved hjælp af røntgen µCT-scannere. Sideløbende med dette kursus er der er nyt kursus kaldet '02509 Computational 3D-billeddannelse og analyse', som introducerer andre billedanalyseteknikker og mere praktisk billeddannelse. Du kan med fordel også følge det kursus.
Kursusinformation
Deep Learning for Experimental 3D Image Analysis
Engelsk
5
Kandidat
Retningsspecifikt kursus (MSc), Autonomous Systems
F2B (tors 8-12)
Campus Lyngby
Forelæsninger efterfulgt af øvelser.
13-uger
F2B
Mundtlig eksamen
Eksamen baseres på både teoretiske og praktiske aspekter af deep learning brugt til 3D billedanalyse.
Ingen hjælpemidler
7-trins skala , intern bedømmelse
02450/02502 , Det er en fordel at have erfaring med machine learning og billedanalyse, men kurset kan også følges uden disse forudsætninger. Men der må påregnes en ekstra indsats uden disse forudsætninger.
Maksimum: 30
Hans Martin Kjer , Lyngby Campus, Bygning 324, Tlf. (+45) 4525 3035 , hmkj@dtu.dk
Marco Pizzolato , mapiz@dtu.dk
Anders Bjorholm Dahl , Tlf. (+45) 4525 3907 , abda@dtu.dk
01 Institut for Matematik og Computer Science
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
Du får praktisk erfaring med at bruge deep learning til at analysere 3D-billeder. Hovedfokus er på billedsegmentering, men du vil også lære om andre metoder som billedklassificering og detektion. 3D-billeddannelse bruges i medicin, biologi, materialeforskning osv. til at analysere et materiales indre struktur inklusive dets form, størrelse, antal funktioner osv.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • vælge og implementere passende deep learning-baserede metoder til billedsegmentering, klassificering og detektionsproblemer,
  • vælge og implementere passende værktøjer til at inspicere og fortolke træning og resultater af deep learning metoder,
  • organisere data til dyb læring for at vurdere træning, validering, test og balance i data,
  • vælge og bruge værktøjer til effektiv annotering af data,
  • planlægge billedanalysepipeline, herunder problembeskrivelse, indledende undersøgelse og plan for implementering af deep learning-metoder,
  • planlægge 3D-billeddannelseseksperimenter, herunder prøveudvælgelse og forberedelse,
  • beskrive grundlæggende principper for Computed Tomography, herunder skanningsparametre og rekonstruktion af et 3D-volumen,
  • beregne strukturelle mål fra udtrukne billedfeatures,
  • kvantificere målte strukturer og præsentere relevant statistik,
  • bruge hight performance computing for træning og inferens.
Kursusindhold
Efter at have gennemført dette kursus, kan du bruge deep learning til at analysere 3D volumetriske billeder. Til at gøre dette har du fået viden om relevante deep learning analysemetoder, hvordan du implementerer disse metoder på en computer, og hvordan du forbereder data til deep learning. Data er kernen i deep learning-baseret 3D-billedanalyse, og du får erfaring med annoteringsværktøjer, der er nødvendige for at forberede træningsdata til segmentering. Derudover indeholder kurset eksperimentelle elementer, så du lærer at forberede prøver til skanning og introduceres til 3D-billeddannelse og CT-rekonstruktion. Du vil bruge Python til at implementere scripts til at løse analyseopgaver baseret på eksisterende deep learning biblioteker og funktioner. Til sidst lærer du at evaluere modellens performance, dels gennem validerings- og testdata og dels gennem visuel inspektion af det opnåede analyseresultat.
Litteraturhenvisninger
Kursusnoter.
Sidst opdateret
02. maj, 2024