理工学研究科Graduate School of Science and Engineering
HUI500X3(人間情報学 / Human informatics 500)画像解析特論Image Analysis
清水 昭伸Akinobu SHIMIZU
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | 理工学研究科Graduate School of Science and Engineering |
添付ファイル名Attached documents | |
年度Year | 2022 |
授業コードClass code | YB022 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 秋学期授業/Fall |
曜日・時限Day/Period | 火3/Tue.3 |
科目種別Class Type | |
キャンパスCampus | 小金井 |
教室名称Classroom name | 各学部・研究科等の時間割等で確認 |
配当年次Grade | |
単位数Credit(s) | 2 |
備考(履修条件等)Notes | |
実務経験のある教員による授業科目Class taught by instructors with practical experience | |
カテゴリーCategory | 応用情報工学専攻 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
[Course outline]This course introduces medical image analysis and pattern recognition to students taking this course. For example, spatial filtering, binarization, level set, graph cuts, and compressed sensing based segmentation algorithms. Deep learning based approaches are also explained.
[Learning Object]At the end of the course, students are expected to understand a variety of fundations and applications of medical image analysis.
[Learning activities outside of classroom] Students will be expected to have read the relevant papers. Your required study time is at least one hour for each class meeting.
[Grading Criteria /Policy] Your overall grade in the class will be decided based on the following Short examination: 30%、Reports : 60%、in class contribution: 10%
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的(何を学ぶか)Outline and objectives
【授業内容】本講では,医用画像処理の分野で良く用いられる画像処理とパターン認識に焦点をあてて体系的に紹介する.具体的には,画像処理については,古典的手法(空間フィルタリングや二値化)から最近の画像処理手法(Level Set法,グラフカット,圧縮センシングなど),また,パターン認識技術については,基礎となるベイズ決定について紹介したのち,最近の新しい方法(アンサンブル学習,深層学習など)について解説する.
【授業の目的と意義】医用画像処理の基礎と応用技術の全体像を学びます.E2Eの深層学習では知ることのできない処理の意味を学ぶことで,E2Eの深層学習ベースのアプローチを深く理解することも可能になります.
到達目標Goal
医用画像解析のためのさまざまな画像処理やパターン認識技術について理解できるようになることがこの講義の目的である.
例えば,空間フィルタリングや二値化については,対象の性質を理解したうえで,処理の仕組みを理解できることを目指す.
Level Set法,グラフカット,圧縮センシングなどでは,処理の数理的背景を理解した上で,対象の性質と併せて処理を理解することを目標とする.
パターン認識技術については,基礎となるベイズ決定や,最近の新しい方法(アンサンブル学習,深層学習など)を学ぶが,単に個々の技術について学ぶだけでなく,ここまでの医用画像処理との関係についても学ぶことを目指す.
この授業を履修することで学部等のディプロマポリシーに示されたどの能力を習得することができるか(該当授業科目と学位授与方針に明示された学習成果との関連)Which item of the diploma policy will be obtained by taking this class?
ディプロマポリシーのうち、「DP1」「DP2」「DP3」に関連
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)(学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. )
2022年度は,対面授業が可能であれば対面で行うが,Zoomを用いたオンライン講義やハイブリッド講義の可能性も残されているため,9月中旬に本シラバスを確認すること.
なお,講義資料等はgoogle classroomで配布する.クラスコード等も9月中旬に本シラバスにて公開予定である.
アクティブラーニング(グループディスカッション、ディベート等)の実施Active learning in class (Group discussion, Debate.etc.)
なし / No
フィールドワーク(学外での実習等)の実施Fieldwork in class
なし / No
授業計画Schedule
授業形態/methods of teaching:対面/face to face
※各回の授業形態は予定です。教員の指示に従ってください。
第1回[未定/undecided]:オリエンテーションと医用画像表示技術
講義の概要や予定について述べた後,ボリュームレンダリングなどの医用画像表示技術について解説する
第2回[未定/undecided]:濃淡画像処理
平滑化処理,微分フィルタなどについて解説する.
第3回[未定/undecided]:領域抽出 -古典的手法-
2値化,領域拡張,watershedなどの古典的手法について解説する.
第4回[未定/undecided]:領域抽出 -最大事後確率法-
期待値最大化法による分布パラメータ推定と,最大事後確率法による領域抽出処理について解説する.
第5回[未定/undecided]:領域抽出 -統計的形状モデルに基づく方法-
臓器の統計的形状モデルとそれによる領域抽出法について解説する.
第6回[未定/undecided]:領域抽出 -最適化理論に基づく処理-
Level Set,Graph cuts,
Random Walkなどの最適化理論に基づく領域抽出法について解説する.
第7回[未定/undecided]:領域抽出 -統計的形状モデルと最適化理論の融合-
臓器の統計的形状モデルと最適化理論を融合した方法について解説する.
第8回[未定/undecided]:連結成分処理 -定義とラベル付けなど-
連結性と連結成分について説明したのち,ラベル付けのアルゴリズムについて解説する.
第9回[未定/undecided]:連結成分処理 -図形融合と細線化-
モルフォロジー処理を用いた図形融合や細線化処理について説明する.また,3次元への拡張法についても解説する.
第10回[未定/undecided]:ベイズ決定
パターン認識の基礎となるベイズ決定について解説する.
第11回[未定/undecided]:アンサンブル学習
バギング,ブースティング,ランダムフォレストなどを解説する.
第12回[未定/undecided]:深層学習の導入
ニューラルネットワークの歴史と最近の深層学習のブームとその背景について解説する.
第13回[未定/undecided]:深層学習の応用
医用画像処理における深層学習について解説する.
第14回[未定/undecided]:まとめ
全体をまとめ,課題のレポートを出す.
授業時間外の学習(準備学習・復習・宿題等)Work to be done outside of class (preparation, etc.)
【本授業の準備・復習時間は、各4時間を標準とします。】学部生レベルの数学や統計に関する復習をしておくことが望ましい.
テキスト(教科書)Textbooks
講義の資料は,google classroomから配布する.
そのため,google classroom(クラスコード:未定)に事前に登録をしておくこと.
なお,google classroomへの登録の際は,大学のgoogleアカウントを利用すること(プライベートアカウントは不可).
参考書References
医用画像工学ハンドブック
日本医用画像工学会 (著, 監修), 日本医用画像工学ハンドブック編集委員会 (編集)
ISBN-10: 4990666704
成績評価の方法と基準Grading criteria
平常点,小テスト,レポート課題で採点する.
おおよそ平常点20%,小テスト40%,レポート40%の割合で採点する.
オンライン、対面形式ともにこの評価方法を利用する.
課題などに対するフィードバックの方法については授業中に通知する.
学生の意見等からの気づきChanges following student comments
特になし.
学生が準備すべき機器他Equipment student needs to prepare
配布する講義資料を表示したり,小テストに回答するためのパソコン.
その他の重要事項Others
オンラインでの開講となった場合、オンライン授業の方法や授業計画の変更、成績評価方法の変更などについては、学習支援システムなど指定の方法でその都度提示する。担当教員から連絡がないか、日ごろからよく確認すること.