image

پردازش تصاویر پزشکی

در حال حاضر تصویربرداری پزشکی، نقشی حیاتی برای تشخیص و درمان بیماری‌ها ایفا می‌کند اما تصاویر تولید شده توسط دستگاههای تصویربرداری پزشکی، بدون پردازش مناسب، همیشه قابل استفاده نیستند. به همین دلیل لازم است در ابتدا روی آنها تغییراتی انجام شوند، بدون آنکه اطلاعات ثبت شده در آنها، از دست بروند. در این دوره، ابتدا با انواع تصاویر پزشکی آشنا می‌شویم و سپس به بررسی روشهای کلاسیک پردازش تصاویر پزشکی در ۳ بخش حذف نویز و بهبود کیفیت تصویر، ناحیهبندی تصویر و انطباق تصویر میپردازیم

مشخصات دوره

سطحپیشرفته
مدت17 ساعت
مدرکدارد
تاریخ به روزرسانی۱۴۰۳/۱۱/۱۴
قالب دورهمهارت محور
میزان محبوبیت
5
(2 رای)
۲٬۰۰۰٬۰۰۰
تومان

مطالب دوره

1. Introduction to the Course and Basics
1.1 Introduction to MIAP Course - Aims and Goals
18' : 19''
2.1 Medical Imaging and Medical Images
26' : 29''
3.1 Imaging Modalities - X-Ray
17' : 19''
4.1 Imaging Modalities - Fluoroscopy and Ultrasound
17' : 02''
5.1 Imaging Modalities - Nuclear Medicine and Magnetic Resonance Imaging
22' : 33''
6.1 Imaging Modalities - Optical Imaging and Basics of Image Processing
21' : 04''
2. Basic Methods For Image Enhancement
3. Two Dimensional Systems and Frequency Response
4. Advanced Methods in Medical Image Denoising
5. Advanced Methods in Medical Image Segmentation
6. Medical Image Registration

اطلاعات تکمیلی دوره

اهداف کلی :

  • آشنایی عمیق با انواع تصاویر پزشکی و محدودیتها و جامعیتهای تشخیصی هر یک  (MRI/CT/US/PET/SPECT/fMRI/OCT/…)
  • آشنایی با مفاهیم پایه و ضروری در پردازش تصاویر پزشکی به عنوان پیشنیازهای اساسی
  • تونایی درک و پیادهسازی الگوریتمهای پایه بهبود/اصلاح/نویز زدایی تصاویر پزشکی
  • تونایی درک و پیادهسازی الگوریتمهای ناحیهبندی تصاویر پزشکی
  • تونایی درک و پیادهسازی الگوریتمهای انطباق تصاویر پزشکی

 

مخاطببن:

  • دارندگان مدارک کارشناسی با رعایت پیشنیازهای آموزشی

 

پیش‌نیاز:

  • آشنایی با پردازش سیگنالهای دیجیتال ( فیلترینگ، نمونهبرداری، کانولوشن، چگالی طیف توان، تبدیل فوریه DFT/FF)
  • آشنایی با مفاهیم اساسی در آمار احتمال مهندسی
  • آشنایی با مفاهیم پایه جبرخطی
  • توانایی برنامه نویسی با MATLAB یا Python

 

نحوه ارزیابی:

  • ۶۰ درصد آزمون چهارگزینهای
  • ۴۰ درصد پروژه پایانی

مدرس دوره

عماد‌الدین فاطمی‌زاده
عماد‌الدین فاطمی‌زاده

دوره‌های پیشنهادی

هوش مصنوعی

هوش مصنوعی

هوش مصنوعی