生物影像資訊學
Bioimage Informatics
| 節 | 週三 |
|---|---|
5 13:20–14:10 | 生物影像資訊學 EF255 3 節連堂 |
6 14:20–15:10 | |
7 15:30–16:20 |
* 根據陽明交大上課時間表所列
生物影像資訊學是生物訊息學與計算生物學的一個子領域,結合電腦優秀的運算與影像處理技術,高通量的分析生物影像,特別是訊息量非常龐大的細胞影像。透過資料探勘、特徵擷取等繁複的流程,從複雜的影像資料中整合出有用的資訊,再結合機器學習與深度學習,便可進行疾病分類、生存曲線預測、輔助診斷等事項。近年來大數據的爆炸成長加上可以高通量的計算,對影像分析領域造成非常大的衝擊,技術革新的非常快速,本課程除了介紹以往機器學習在生物影像資訊學上的應用,針對最新的深度學習技術也會在本堂課中做簡單的介紹,並會試著對一些資料庫實作應用。 本課程主要課程包含: 1. 影像處理 (Image Processing) 2. 影像分割 (Image Segmentation) 3. 特徵擷取與選取 (Feature Extraction & Feature Selection) 4. 機器學習 (Machine Learning for Image) 5. 深度學習 (Deep Learning for Image) 6. 最佳化方法 (Optimization) 7. 實際案例研討
擁有程式背景,並具備Matlab、Python及影像處理基礎
課堂講授、操作、討論及報告 課堂參與20%,課堂作業30%,期中期末口頭與書面報告50%
- 簡介
- 影像處理
- 影像分割
- 特徵擷取與選取
- 機器學習
- 深度學習
- 最佳化方法
- 生物影像資訊學實例應用
- 課程作業
- 學習評量
| 週次 | 主題 |
|---|---|
| 第 1 週 | 生物影像資訊學基本概念與應用 |
| 第 2 週 | 1.生醫數位影像基礎 2.強度轉換與空間濾波 |
| 第 3 週 | 1.形態學影像處理 2.彩色影像處理 |
| 第 4 週 | 1.灰度級閾值方法 2.像素聚類方法 |
| 第 5 週 | 1.基於邊緣分割 2.區域增長和分裂 |
| 第 6 週 | 灰階共生矩陣 |
| 第 7 週 | 小波和多解析度處理 |
| 第 8 週 | 案例探討 |
| 第 9 週 | 期中考與口頭報告 |
| 第 10 週 | 1.型態特徵 2.顏色特徵 |
| 第 11 週 | 分類模型(一) |
| 第 12 週 | 分類模型(二) |
| 第 13 週 | 回歸模型 |
| 第 14 週 | 類神經網路 |
| 第 15 週 | 卷積類神經網路 |
| 第 16 週 | 1.基因演算法 2.粒子群演算法 |
| 第 17 週 | 期末考與成果報告:期末專題成果(一) |
| 第 18 週 | 期末考與成果報告:期末專題成果(二) |
1.R. C. Gonzalez and R. E. Woods, "Digital Image Processing", 3rd Edition, Prentice Hall, New York, 2008 2.BioImage Suite, The last beta version is 3.0beta 3 released on Nov 18th, 2009; http://www.bioimagesuite.org/index.html 3.ImageJ tool; http://rsbweb.nih.gov/ij/