Přednášky jsou rozděleny do dvou vzájemně provázaných částí. V první, teoretické části, se studenti seznámí se základními principy a metodami zpracování a analýzy obrazových dat používaných v biomedicíně a klinické praxi. Důraz je kladen na pochopení matematických základů, principů algoritmů a logiky jednotlivých kroků zpracování. Ve druhé, aplikační části, jsou teoretické poznatky doplněny o praktické ukázky postupů vycházejících z reálné klinické praxe a publikovaných vědeckých článků. Studenti společně s vyučujícím rozebírají konkrétní metody, jejich omezení, způsob hodnocení výsledků a vhodnost použití pro různé typy medicínských dat. Součástí této části jsou také krátké studentské prezentace, které vycházejí z vybraných publikovaných vědeckých článků. Jejich cílem je rozvoj schopnosti kritické práce s odbornými zdroji, porozumění moderním metodám a orientace v aktuálních trendech v oblasti zpracování medicínských obrazů.

Okruhy teorie přednášek:

1. Úvod do biomedicínského zobrazování – přehled medicínských modalit a typů obrazových dat.
2. Diskrétní obraz a jeho reprezentace – matematické modely, diskretizace, maticová reprezentace.
3. Základní 2D transformace – Fourierova transformace, prostorové a frekvenční filtry.
4. Bodové a lokální operátory – úprava kontrastu, potlačení šumu, zvýraznění hran.
5. Extrakce příznaků – texturální příznaky, konvoluční přístupy.
6. Detekce hran a hranová reprezentace – gradientní operátory, derivace.
7. Segmentace obrazů – prahování, regionální metody, watershed, základy ML.
8. Morfologické operace – eroze, dilatace, otevření, uzavření.
9. Geometrické transformace a lícování obrazů – rigidní a nelineární transformace.
10. Rekonstrukce z projekcí – zpětná projekce, algebraické metody.

Aplikační část přednášek:

1. Praktické ukázky z klinické praxe (CT, MR, UZ) – reálné úlohy a postupy.
2. Analýza publikovaných vědeckých článků – rozbor metod a výsledků.
3. Pokročilé metody moderního výzkumu – např. deep learning, hybridní algoritmy.
4. Studentské prezentace vybraných publikovaných článků.

PC cvičení jsou praktickou částí výuky navazující na teoretické přednášky. Každé cvičení začíná krátkým testem ověřujícím porozumění odpřednášené látce, přímo tematicky navazujícím na dané cvičení. Následně studenti společně s vyučujícím implementují a demonstrují praktické využití probíraných metod, řeší typické problémy při zpracování obrazových dat a zkoumají vliv nastavení parametrů na výsledky. Studenti pracují samostatně na počítači a řeší úlohy formou programování v jazyce Python. Cílem cvičení je rozvinout schopnost aplikovat metody zpracování obrazu v praktických úlohách, porozumět chování algoritmů a interpretovat jejich výstupy.

Osnova PC cvičení:

1. Základní operace s diskrétními obrazy, spektrum obrazu; ověření vlastností Fourierovy transformace.
2. Diskrétní 2D operátory – bodové a lokální operace (kontrast, gama, zvýraznění hran, potlačení šumu).
3. Extrakce příznaků – frekvenční příznaky, konvoluční postupy, analýza textury.
4. Detekce hran – metody první a druhé derivace, kombinované postupy.
5. Segmentace obrazu – prahování, Otsuova metoda, narůstání oblastí, watershed, flexibilní kontury, metody strojového učení, morfologické operace.
6. Rozpoznávání objektů – implementace Houghovy transformace pro přímky a kružnice.
7. 2D interpolace, rigidní a afinní geometrické transformace, registrace a fúze obrazů.
8. Rekonstrukce tomografických obrazů – inverzní Radonova transformace, sinogram, zpětná projekce.