0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Teaching and learning activities <ul><li>The course is build up in 4 blocks, each with a distinguished topic</li><li>Every block is build up in the same way: lectures (week 1), compulsary group assignment (week 1-4), evaluation meeting (week 4)</li><li>Block 1, 2 and 4 were taught fully digital (+ digital live lectures + recordings), whereas block 3 was hybrid (in person lectures + streaming + recording)</li></ul>Student feedback: good alignment between material in blocks. Builds up like a pyramid, more and more connecting the dots between topics. The software that was used was new to most students, and for next time it could be nice to have a dedicated 'software hour' in each block to filter out difficulties (follow-up). Assessment forms<ul><li>4 compulsary assignemnts. These were not 'officially' compulsary this year --&gt; Change in EpN (follow-up)</li><li>48 home exam</li></ul>Student feedback: Assignments were a good way to work hands-on with the theory from the lectures. The software demo's during the lectures were experienced as very helpful. Also, the software to work with in the exam was chosen correctly (i.e. the most stable software). The home exam was regarded as a good way to test the acquired knowledge. In the last reference group meeting (after the exam), I proposed a final assignment as an alternative, but that idea was rejected because of the risk of only learning what you need for that assignment. Learning environment<ul><li>digital and hybrid lectures, all recorded</li><li>blackboard and e-mail for communication</li></ul>Student feedback: clear communication from course coordinator and he was easily accessible by e-mail. Short response times. Good follow-up on issues. Academic content and learning outcomes<ul><li>The pensum consisted of information from a book and several papers and websites</li><li>The book is relatively old and was not used much in practice. Replace or remove for next time (follow-up)</li></ul>Student feedback: The course was experienced as both interesting and useful. What was described in the learning outcomes corresponded well to what was done during the course. Good alignment between content, exercises, and exam form. There could have been a more explicit connection between the pensum (book) and the lectures / assignments, as students could to some extent follow the course without looking at the pensum. See reference group report for full student evaluation.

See reference group report for full student evaluation.

NTNU:TIA:REST

Institutt for sirkulasjon og bildediagnostikk

Department of Circulation and Medical Imaging

Alle trykte og skrevne

Engelsk

Norsk

Forkunnskapskrav

Emnet har studierettskrav. For å avlegge eksamen i emnet må studenten være tatt opp til master i medisinsk bildeteknologi.

Faglig innhold

I emnet undervises sentrale prinsipp og metoder for prosessering og automatisert klassifisering av digitale bilder, med fokus på medisinske bilder. Sentrale tema i emnet er normalisering, filtrering, segmentering, teksturanalyse, fusing og automatisert klassifisering. Gjennomgående tema i emnet vil være viktigste syntaks i programmering og hvilke programmer og algoritmer som er egnet for ulike medisinske modaliteter og problemstillinger.

Kursmateriell

Gonzalez and Wood: Digital Image Processing. 4th Edition, 2018, Pearson, NY, USA

Læringsutbytte

En kandidat som har fullført emne skal ha følgende læringsutbytte:Kunnskaper:<ul><li>Har avansert kunnskap om oppbygning og egenskaper ved digitale bilder</li><li>Har inngående kunnskap om prinsipp for normalisering, filtrering og andre grunnleggende metoder for bilde-prosessering</li><li>Kan vurdere muligheter og begrensninger i ulike typer bildebehandling (segmentering, visualisering, teksturanalyse og fusing)</li><li>Kan anvende kunnskap til å vurdere ny forskning innen bildebehandling og automatisert klassifisering</li></ul>Ferdigheter:<ul><li>Kan bruke relevante bildebehandlingsverktøy på en selvstendig måte</li><li>Kan gjennomføre ulike typer bildebehandling (segmentering, visualisering, teksturanalyse og fusing)</li><li>Kan gjennomføre et selvstendig og avgrenset prosjekt basert på problemstilling og ubehandlede bilder</li></ul>Generell kompetanse:<ul><li>Kan diskutere problemstillinger, analyser og konklusjoner innenfor bildebehandling med samarbeidende yrkesgrupper, kolleger og studenter</li><li>Kan analysere problemstillinger og resultater i forskning med bildebehandling og automatisert klassifisering</li><li>Behersker terminologien i bildebehandling og sentral syntaks i programmering</li></ul>

Læringsformer og aktiviteter

Samlingsbaserte forelesninger og gruppearbeid med elektronisk innlevering. Det vil bli avholdt samlinger (på campus og/eller digitalt) over opptil seks dager i løpet av semesteret, og studentene har fire obligatoriske arbeidskrav. Arbeidskravene vil være studentaktive, med øvingsoppgaver med bildedata; enten bilder tatt opp på eget arbeidssted, eller tilrettelagte øvingssett. Oppgavene kan også kobles til pågående forskningsprosjekter ved instituttet. Alle øvingsoppgaver kommer med veileder for gjennomføring. Arbeidskrav tilrettelegger for tematisk sammenkobling av teori og praksis. Alle lærings-ressurser gjøres tilgjengelig via e-læringsplattform: artikler, lenker, kortfilmer (animasjoner, forelesninger ol.), selvtester, besvarelser på oppgaver og diskusjonsforum med studenter og faglærere.

Bildebehandling og automatisert klassifisering

Helse- og sosialfag

Medisin

Radiografi

Master i medisinsk bildeteknologi

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(17689)/FieldValuesAsText

- implement a dedicated 'software training hour' in each block to filter out software start-up problems
- make the assignments 'officially' compulsary (change in EpN)
- look for a book replacement 

Bildebehandling og automatisert klassifisering - RAT3002