De seneste år, har der været en drastisk udvikling i brugen af billedanalyse til selvkørende biler, analyser af klimaændringer, avanceret diagnostik, operationsplanlægning, ansigtsgenkendelse og mange andre applikationer.
Dette kursus giver den studerende en solid forståelse for digitale billeder. Hvad er billeder, hvor kommer de fra og hvilke værktøjer og teknikker bruges til at udtrække informationer fra dem. Efter kurset, vil deltagerne kunne kombinere, implementere, bruge og evaluere performance af simple billedanalysesystemer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forklare de fundamentale egenskaber ved digitale billeder inklusiv billeder fra den medicinske verden.
• Beskrive teknikker til optagelse af billeder. Herunder pin hole kameraet og medicinske modaliteter som Røntgen, CT scanning og MR scanning.
• Udføre featurebaseret billedeklassifikation ved brug af support vector machines, random forests og k-nearest neighbour tilgange.
• Implementere og bruge billedanalysealgoritmer. Herunder punkt processering, filtrering, morfologi, BLOB analyse, pixelklassifikation, geometriske transformationer, registrering, klassifikation, kantdetektion, linjedetektion og segmentering.
• Implementere og bruge statistiske metoder så som principal komponent analyse til behandling af billeder og til udtrækning af signifikante information fra billeder. Implementere og teste generative modeller og formmodeller baseret på principal komponent analyse.
• Implementere og bruge klassifikationsalgoritmer baseret på billedkarakteristika.
• Udføre og evaluere feature baseret klassifikation ved brug af lineær diskriminant analyse.
• Bruge og evaluere state-of-the-art 3D billedregistreringsalgoritmer.
• Designe en passende billedanalysealgoritme baseret på et sæt af eksempelbilleder og et givent mål.
• Beregne performance af en billedanalysealgoritme givet et ground-truth datasæt.
• Forbedre og optimere billedanalysealgoritmer baseret på ground-truth data eller kliniske end-points.
• Vælge passende træningsdata og udvælge relevante karakteristika for billedbaserede klassifikationsalgoritmer.

Digitale billeder og datastrukturer, pin hole kameraet, medicinske modaliteter, billedformater, punkt processering, filtrering, morfologi, BLOB analyse, klassifikation, objektanalyse, pixelklassifikation, segmentering, geometriske transformationer, registrering, kantdetektion, linjedetektion, principal komponent analyse, linear diskriminant analyse, videoanalyser, formanalyse, confusion matricer og performancemål. En lærebog og der udleveres noter. 28. maj, 2025