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.
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