La asignatura introduce los fundamentos del procesado digital de imágenes, con especial énfasis en su aplicación al ámbito de la imagen médica. Dado el papel central de las técnicas de imagen en el diagnóstico y la monitorización clínica, se abordan los principios básicos de adquisición, representación y tratamiento de imágenes, así como las particularidades de las principales modalidades médicas.
La asignatura proporciona una base teórico-práctica orientada al análisis y procesamiento de imágenes biomédicas, incluyendo técnicas de mejora, segmentación, registro, extracción de características y aprendizaje automático. Se pone especial énfasis en la aplicación de estos métodos a problemas reales, fomentando la capacidad del alumnado para desarrollar soluciones computacionales en entornos clínicos.
La asignatura adopta un enfoque eminentemente práctico, con sesiones basadas en la implementación de algoritmos mediante Python, que permiten al estudiante consolidar los conocimientos adquiridos y aplicarlos al procesamiento de datos de imagen médica en contextos reales.
Profesores Titulares
Conocimientos básicos de matemáticas, programación y procesamiento digital de señales. Se recomienda familiaridad con Python.
El alumnado adquiere los conocimientos y desarrolla las habilidades que se indican a continuación:
- Comprender los conceptos de formación, adquisición y procesamiento básico de imagen digital en los dominios espacial y frecuencial.
- Comprender las diferentes modalidades de imagen médica.
- Comprender los procesos de extracción de características de una imagen para realizar procesos de segmentación, detección y clasificación.
- Comprender y saber aplicar las herramientas fundamentales para procesar imágenes médicas.
- Comprender el funcionamiento básico de arquitecturas de aprendizaje automático y profundo aplicadas a imagen médica.
1. Introducción al procesado de imágenes médicas
1.1 Imágenes
1.2 Tipos de imágenes y aplicaciones
1.3 El sistema visual humano
1.4 Adquisición digital de imágenes
1.5 Imagen médica
1.6 Procesado de imágenes
2. Mejora y restauración de imágenes
2.1 Mejora de imágenes
2.2 Operaciones algebraicas
2.3 Operaciones lógicas
2.4 Histograma de una imagen
2.5 Funciones de transformación de intensidad
2.6 Transformaciones de histograma
2.7 Restauración de imágenes
2.8 Reducción de ruido
2.9 Filtrado lineal
2.10 Filtrado no lineal
3. Segmentación de imágenes (2D y 3D)
3.1 Segmentación de imágenes
3.2 La importancia de la segmentación de imágenes
3.3 Segmentación basada en discontinuidad
3.4 Detección de contornos
3.5 Thresholding
3.6 Segmentación basada en región
3.7 Segmentación de imágenes 3D
4. Registro de imágenes (2D y 3D)
4.1 La importancia del registro de imágenes
4.2 Tipos de registro de imágenes
4.3 Modelos deformables
4.4 Registro rígido
4.5 Registro afín
4.6 Registro deformable
5. Introducción al aprendizaje automático
5.1 Introducción
5.2 Aprendizaje automático
5.3 Clasificación de imágenes
5.4 Regresión
6. Introducción al aprendizaje profundo
6.1 Introducción
6.2 Redes neuronales
6.3 Redes neuronales convolucionales
6.4 Arquitecturas de aprendizaje profundo en imagen médica
La metodología docente se fundamenta en un enfoque activo y teórico-práctico orientado a la adquisición progresiva de los resultados de aprendizaje definidos para la asignatura. La materia se desarrolla mediante una organización semanal en tres sesiones lectivas, en las que se combinan lecciones magistrales, cápsulas teóricas, aplicación práctica y consolidación del aprendizaje.
La dinámica habitual de las sesiones (excepto en aquellas específicamente prácticas) se divide en fases diferenciadas:
- Primer tercio: introducción del contenido teórico, acompañada de preguntas de debate y demostraciones prácticas.
- Segundo tercio: trabajo individual o grupal en la resolución de ejercicios prácticos en Python o herramientas específicas de imagen médica, utilizando datos y escenarios reales. Al finalizar, se comparten y se discuten los resultados.
- Último tercio: síntesis y cierre de los contenidos teórico-prácticos.
En las sesiones de laboratorio, el alumnado trabaja de forma individual o en grupo en la resolución de ejercicios prácticos alineados con los contenidos de la asignatura. Estas sesiones se sitúan estratégicamente al final de cada tema, con el objetivo de verificar la asimilación de los conceptos y la capacidad de resolución de problemas reales.
La metodología integra trabajo autónomo, aprendizaje colaborativo y evaluación formativa continua, garantizando la coherencia entre actividades, evaluación y carga de trabajo correspondiente a los créditos ECTS.
La evaluación de la asignatura se realiza mediante un sistema de evaluación de los contenidos teóricos y prácticos. La calificación final se obtiene a partir de los siguientes elementos:
- Examen/es teórico-prácticos individuales: 60%
- Sesiones de laboratorio prácticas realizadas en clase: 40%
Para superar la asignatura será necesario obtener una nota mínima de 5 sobre 10 en ambas partes (teoría y práctica). La evaluación de la parte práctica contempla tanto la evaluación grupal del entregable como la realización de una entrevista o examen individual.
En el caso de no entregar todas las sesiones de laboratorio y/o no alcanzar la nota mínima de 5 sobre 10 en los diferentes elementos de evaluación, el estudiante deberá presentarse a la convocatoria extraordinaria.
Se valorará:
- La comprensión conceptual de los fundamentos teóricos del procesado de imagen médica y visión por computador.
- La correcta aplicación de los fundamentos teóricos en la resolución de problemas teórico-prácticos.
- La capacidad de implementación de los conceptos teóricos en Python.
- El rigor y coherencia en el análisis de los resultados.
- La capacidad de trabajo en grupo en la resolución de casos prácticos reales.
- La justificación individual de las decisiones y soluciones de software desarrolladas.
- 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
Recursos opcionales y materiales adicionales disponibles en plataformas especializadas.