生物影像資訊學
Bioimage Informatics
| 節 | 週三 |
|---|---|
5 13:20–14:10 | 生物影像資訊學 BI308 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資訊、醫學資訊與智慧計算的跨領域課程,結合電腦AI運算與影像處理技術,來分析生物醫學影像。透過影像前處理、特徵擷取、數學建模評估等流程,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,便可進行疾病和預後分類、生存比率曲線預測、AI輔助診斷等事項。近年來大數據的爆炸成長加上AI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介紹,並會對生醫資料庫的範例探討,讓學生進行實作應用。 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 Images) 5. 深度學習 (Deep Learning for Images) 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
助教、網站、課堂討論
課堂講授、操作、討論及報告 課堂參與15%,課堂作業40%,期中期末口頭與書面報告45%
- 簡介
- 影像處理
- 影像分割
- 機器學習
- 深度學習
- 最佳化方法
- 實例應用
- 學習評量
- 特徵擷取與選取
| 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 3.形態學影像處理 |
| 第 3 週 | 1.彩色影像處理 2.灰度級閾值方法 3.像素聚類方法 |
| 第 4 週 | 1.基於邊緣分割 2.區域增長和分裂 |
| 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 | 型態和幾何特徵、放射組學特徵 |
| 第 9 週 | 期中專題口頭報告、案例探討 |
| 第 10 週 | 機器學習 分類模型 |
| 第 11 週 | 機器學習 回歸模型 |
| 第 12 週 | 機器學習 存活模型 |
| 第 13 週 | 類神經網路 |
| 第 14 週 | 卷積類神經網路 |
| 第 15 週 | 1.基因演算法 2.粒子群演算法 |
| 第 16 週 | 期末考與成果報告:期末專題成果 |
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/
- 地點
- BI412
- 時間
- W89
- 聯絡方式
- 56905