L’assignatura introdueix els fonaments del processament digital d’imatges, amb especial èmfasi en la seva aplicació a l’àmbit de la imatge mèdica. Atès el paper central de les tècniques d’imatge en el diagnòstic i la monitorització clínica, s’aborden els principis bàsics d’adquisició, representació i tractament d’imatges, així com les particularitats de les principals modalitats mèdiques.
L’assignatura proporciona una base teoricopràctica orientada a l’anàlisi i processament d’imatges biomèdiques, incloent tècniques de millora, segmentació, registre, extracció de característiques i aprenentatge automàtic. Es posa un èmfasi especial en l’aplicació d’aquests mètodes a problemes reals, fomentant la capacitat de l’alumnat per desenvolupar solucions computacionals en entorns clínics.
L’assignatura adopta un enfocament eminentment pràctic, amb sessions basades en la implementació d’algorismes mitjançant Python, que permeten a l’estudiant consolidar els coneixements adquirits i aplicar-los al processament de dades d’imatge mèdica en contextos reals.
Professors Titulars
Coneixements bàsics de matemàtiques, programació i tractament digital de senyals. Familiaritat amb Python és recomanable.
L’alumnat adquireix els coneixements i desenvolupa les habilitats que s’indiquen a continuació:
- Comprendre els conceptes de formació, adquisició i processament bàsic d’imatge digital en els dominis espacial i freqüencial.
- Comprendre les diferents modalitats d’imatge mèdica.
- Comprendre els processos d’extracció de característiques d’una imatge per dur a terme processos de segmentació, detecció i classificació.
- Comprendre i saber aplicar les eines fonamentals per processar imatges mèdiques.
- Comprendre el funcionament bàsic d’arquitectures d’aprenentatge automàtic i profund aplicades a la imatge mèdica.
1. Introducció al processament d’imatges mèdiques
1.1 Imatges
1.2 Tipus d’imatges i aplicacions
1.3 El sistema visual humà
1.4 Adquisició digital d’imatges
1.5 Imatge mèdica
1.6 Processament d’imatges
2. Millora i restauració d’imatges
2.1 Millora d’imatges
2.2 Operacions algebraiques
2.3 Operacions lògiques
2.4 Histograma d’una imatge
2.5 Funcions de transformació d’intensitat
2.6 Transformacions d’histograma
2.7 Restauració d’imatges
2.8 Reducció de soroll
2.9 Filtratge lineal
2.10 Filtratge no lineal
3. Segmentació d’imatges (2D i 3D)
3.1 Segmentació d’imatges
3.2 La importància de la segmentació d’imatges
3.3 Segmentació basada en discontinuïtat
3.4 Detecció de contorns
3.5 Llindarització
3.6 Segmentació basada en regions
3.7 Segmentació d’imatges 3D
4. Registre d’imatges (2D i 3D)
4.1 La importància del registre d’imatges
4.2 Tipus de registre d’imatges
4.3 Models deformables
4.4 Registre rígid
4.5 Registre afí
4.6 Registre deformable
5. Introducció a l’aprenentatge automàtic
5.1 Introducció
5.2 Aprenentatge automàtic
5.3 Classificació d’imatges
5.4 Regressió
6. Introducció a l’aprenentatge profund
6.1 Introducció
6.2 Xarxes neuronals
6.3 Xarxes neuronals convolucionals
6.4 Arquitectures d’aprenentatge profund en imatge mèdica
La metodologia docent es fonamenta en un enfocament actiu i teoricopràctic orientat a l’adquisició progressiva dels resultats d’aprenentatge definits per a l’assignatura. La matèria es desenvolupa mitjançant una organització setmanal en tres sessions lectives, en les quals es combinen classes magistrals, càpsules teòriques, aplicació pràctica i consolidació de l’aprenentatge.
La dinàmica habitual de les sessions (excepte en aquelles específicament pràctiques) es divideix en fases diferenciades:
- Primer terç: introducció del contingut teòric, acompanyada de preguntes de debat i demostracions pràctiques.
- Segon terç: treball individual o en grup en la resolució d’exercicis pràctics amb Python o eines específiques d’imatge mèdica, utilitzant dades i escenaris reals. En finalitzar, es comparteixen i es discuteixen els resultats.
- Últim terç: síntesi i tancament dels continguts teoricopràctics.
En les sessions de laboratori, l’alumnat treballa de manera individual o en grup en la resolució d’exercicis pràctics alineats amb els continguts de l’assignatura. Aquestes sessions es situen estratègicament al final de cada tema amb l’objectiu de verificar l’assimilació dels conceptes i la capacitat de resolució de problemes reals.
La metodologia integra treball autònom, aprenentatge col·laboratiu i avaluació formativa contínua, garantint la coherència entre activitats, avaluació i càrrega de treball corresponent als crèdits ECTS.
L’avaluació de l’assignatura es realitza mitjançant un sistema d’avaluació dels continguts teòrics i pràctics. La qualificació final s’obté a partir dels elements següents:
- Examen/s teoricopràctics individuals: 60%
- Sessions de laboratori pràctiques realitzades a classe: 40%
Per superar l’assignatura serà necessari obtenir una nota mínima de 5 sobre 10 en ambdues parts (teoria i pràctica). L’avaluació de la part pràctica contempla tant l’avaluació grupal del lliurament com la realització d’una entrevista o examen individual.
En cas de no lliurar totes les sessions de laboratori i/o no assolir la nota mínima de 5 sobre 10 en els diferents elements d’avaluació, l’estudiant haurà de presentar-se a la convocatòria extraordinària.
Se valorarà:
- La comprensió conceptual dels fonaments teòrics del processament d’imatge mèdica i visió per computador.
- L’aplicació correcta dels fonaments teòrics en la resolució de problemes teoricopràctics.
- La capacitat d’implementació dels conceptes teòrics en Python.
- El rigor i la coherència en l’anàlisi dels resultats.
- La capacitat de treball en grup en la resolució de casos pràctics reals.
- La justificació individual de les decisions i solucions de programari desenvolupades.
- R.C. Gonzalez, R.E. Woods “Digital Image Processing”, Prentice Hall, 2008
- G. Pajares, J.M. de la Cruz, “Visión por computador”, Ra-Ma
- A. de la Escalera. “Visión por computador”, Prentice Hall 2001.
- Anil K. Jain, “Fundamentals of digital image processing”, Prentice Hall, 1989
- Isaac N. Bankman, “Handbook of Medical Image Processing and Analysis”, 2009
- G. Dougherty, “Digital Image Processing for Medical Applications”, Cambridge, 2009
Recomanacions de webs i recursos addicionals sobre processament d'imatges i imatge mèdica.