På dette kursus vil du arbejde med 3D volumetriske billeder (dvs. lavet af volumetriske pixels). 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. Dette er især nyttigt inden for medicinsk billeddannelse, materialevidenskab og biologi blandt de andre. På dette kursus får du praktiske færdigheder inden for billedopsamling, bearbejdning og analyse samt relevant matematisk indsigt.

De metoder, vi vil diskutere, vil være generelle og anvendelige til alle 3D volumetriske billeder som dem, for eksempel fra magnetisk resonansbilleddannelse. Der vil dog blive lagt særlig vægt på 3D røntgen µCT-billeddannelse (mikrocomputertomografi) på grund af vores tætte samarbejde med 3D-billedbehandlingscentret på DTU og med MAX IV synkrotronen i Lund.

Det mest udfordrende – men også det mest givende – aspekt ved 3D-billeddannelse er billedanalyse. På dette kursus vil du udvikle praktiske færdigheder til avanceret visualisering og analyse, selvom du ikke har nogen tidligere erfaring med billedanalyse, da vi tager udgangspunkt i det grundlæggende. Derudover vil du bruge high-performance computing (DTU Gbar) til effektivt at analysere store 3D-billeder gennem hele kurset. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Anvend kvantitativ analyse på volumetriske billeder ved hjælp af beskrivende metoder.
• Integrer eksperimentelle metadata for at relatere billeder til den fysiske verden.
• Visualiser og interager med 2D/3D-billeder.
• Segmentér billeder ved hjælp af baggrunds-/​forgrundsadskillelse, kantdetektion og analyse af forbundne komponenter.
• Bearbejd billeder med morfologiske operationer, foldning og filtrering (lineær, ikke-lineær, skala-rum).
• Analyser strukturer ved hjælp af porøsitetsmetoder, vandskelsegmentering, overfladedetektion og orienteringsanalyse.
• Registrer og juster billeder gennem billedregistreringsteknikker.
• Beskriv billedoptagelsesprincipper, herunder tomografisk rekonstruktion og Fourier-analyse.
• Udvikl Python-baserede pipelines til 3D-billedbehandling ved hjælp af Gbar-cluster.
• Optimer den beregningsmæssige ydeevne med parallelisering på CPU'er ved hjælp af Gbar.
• Planlæg og udfør et miniprojekt, der involverer billeddannelse, analyse og kvantificering.

Du vil udvikle kernefærdigheder, der er afgørende for 3D-billeddannelse, herunder billedoptagelsesprincipper, kodning, softwareværktøjer og dataeksperimentering.

Du vil udforske nøglemetoder til billedrekonstruktion, segmentering, registrering, filtrering, morfologi, feature-ekstraktion og kvantificering. Denne læring vil være praktisk, med fokus på at implementere disse teknikker i Python og samtidig bevare et stringent matematisk perspektiv.

Du vil blive dygtig til softwareværktøjer til visualisering og dataudforskning, samt lære at beregne statistik relateret til formen og størrelsen af ​​afbildede strukturer.

Derudover vil du lære, hvordan du optimerer ydeevnen ved behandling af store datasæt, herunder måling af eksekveringstid, håndtering af hukommelsesressourcer og brug af parallel computing.

Da 3D-billeder kan være adskillige gigabyte store, kan håndtering og behandling af dem på en standard pc være udfordrende. Derfor vil du få erfaring med at bruge højtydende computersystemer, såsom Gbar, til effektivt at behandle data i stor skala.

Ved afslutningen af ​​kurset vil du have tillid til at skrive din egen kode til udvikling af billedbehandlingspipelines, der er egnet til 3D-billeddannelse. Du vil også opnå et stærkt grundlag for yderligere arbejde med 3D-billeddannelse, billedanalyse og højtydende databehandling. Kursusnoter. 02. maj, 2025