1 MOBILE APPLICATIONS 1.1 Ανάπτυξη εφαρμογής επεξεργασίας ιατρικής εικόνας για φορητές συσκευές με λειτουργικό σύστημα ANDROID. Περίληψη: Σκοπός της εργασίας είναι να δημιουργηθεί μία εφαρμογή απεικόνισης και επεξεργασίας ιατρικών εικόνων σε λειτουργικό σύστημα ANDROID για φορητές συσκευές, π.χ. κινητά τηλέφωνα, tablets κλπ. Η εφαρμογή, η οποία θα βασίζεται στο μοντέλο πελάτη εξυπηρετητή (client - server), θα μπορεί να ανακτά και να εμφανίζει ιατρικές εικόνες που είναι αποθηκευμένες στον εξυπηρετητή και να δίνει την δυνατότητα στον χρήστη να εφαρμόσει τεχνικές επεξεργασίας εικόνας (εφαρμογή παραθύρων, αύξηση αντίθεσης, χρήση φίλτρων ελάττωσης θορύβου ή ανίχνευσης ακμών κλπ). Η εφαρμογή θα αναπτυχθεί σε γλώσσα προγραμματισμού JAVA, της οποίας η εκμάθηση θα γίνει παράλληλα με την εκπόνηση της πτυχιακής εργασίας. Κατανόηση των εννοιών και των αλγορίθμων της ψηφιακής επεξεργασίας ιατρικής εικόνας. Καλή γνώση προγραμματισμού (όχι απαραίτητα Java). Εισηγητές: Δ. Κάβουρας - Κ. Σιδηρόπουλος 2 ΜΑΓΝΗΤΙΚΗ ΤΟΜΟΓΡΑΦΙΑ 2.1 Ανάπτυξη συστήματος τμηματοποίησης αρθρικού χόνδρου γόνατος σε εικόνες Μαγνητικής Τομογραφίας Περίληψη: Στόχος είναι η ανάπτυξη συστήματος αυτόματης τμηματοποίησης αρθρικού χόνδρου γόνατος, από εικόνες Μαγνητικής Τομογραφίας φυσιολογικών και παθολογικών περιστατικών. Η τμηματοποίηση του αρθρικού χόνδρου είναι πολύ σημαντικό βήμα για τη περαιτέρω αξιολόγησή του σε φυσιολογικές/ παθολογικές κατηγορίες. Οι εικόνες θα παραχθούν σε τελευταίας γενιάς σύστημα 3T ΜRΙ, από έμπειρο ακτινολόγο ιατρό. Ο εμπλεκόμενος φοιτητής θα πρέπει: i. να δοκιμάσει γνωστούς αλγορίθμους εύρεσης παρυφής (2D ή/και 3D), να αναπτύξει αλγορίθμους εύρεσης παρυφής προσανατολισμένους στο συγκεκριμένο ιατρικό πρόβλημα και να συγκρίνει τα αποτελέσματα της τμηματοποίησης με τη χειροκίνητη περιγραφή του ιατρού. ii. να μελετήσει τις διαφορές στα χαρακτηριστικά (υφής ή/και μορφολογικά) στις διάφορες κατηγορίες του αρθρικού χόνδρου. iii. ο εμπλεκόμενος φοιτητής αναμένεται να ανακοινώσει τα αποτελέσματα σε συνέδριο Εισηγητές: Δ. Κάβουρας - Σπ. Κωστόπουλος
3 ΥΠΕΡΗΧΟΓΡΑΦΙΑ 3.1 Ανάπτυξη συστήματος τομογραφικής ανακατασκευής εικόνων υπερήχου με τη χρήση τεχνικών decorrelation για την ελάττωση του θορύβου speckle Περίληψη: Ο θόρυβος τύπου speckle αποτελεί ίσως των πιο σημαντικό παράγοντα υποβάθμισης της ποιότητας εικόνας στην υπερηχογραφική απεικόνιση. Ο σκοπός της διπλωματικής θα είναι η ανάπτυξη συστήματος ανακατασκευής εικόνων υπερήχου με την χρήση τεχνικών decorrelation για την εξάλειψη του θορύβου speckle. Για τους σκοπούς της διπλωματικής θα χρησιμοποιηθεί ειδικό σύστημα υπερηχογραφικής απεικόνισης με δυνατότητες τομογραφίας για την παραγωγή των πρωτογενών δεδομένων Κατανόηση των εννοιών αλγορίθμων τομογραφικής ανακατασκευής εικόνας. 4 x-ray tomography 4.1 Ανάπτυξη συστήματος 3-διάστατης ανακατασκευής εικόνων ακτινών Χ με την χρήση στοχαστικών αλγορίθμων και περιορισμένων προβολών Περίληψη: Η τομογραφική ανακατασκευή εικόνας είναι πλέον διαθέσιμη στα περισσότερα συστήματα ιατρικής απεικόνισης, από συστήματα ακτινών Χ μέχρι συστήματα Πυρηνικού Μαγνητικού Συντονισμού και Υπερηχογραφικής απεικόνισης. Ο σκοπός της διπλωματικής θα είναι η ανάπτυξη συστήματος ανακατασκευής εικόνων ακτινών Χ με την χρήση στοχαστικών τεχνικών και περιορισμένου αριθμού προβολών. Για τους σκοπούς της διπλωματικής θα χρησιμοποιηθεί ειδικό σύστημα ακτινών Χ, με δυνατότητες τομογραφικών λήψεων, για την παραγωγή των πρωτογενών δεδομένων Κατανόηση των εννοιών αλγορίθμων τομογραφικής ανακατασκευής εικόνας.
5 Θερμοκάμερα 5.1 Ανάπτυξη συστήματος επεξεργασίας και ανάλυσης εικόνων θερμογραφίας για τον προληπτικό έλεγχο ταξιδιωτών με εμπύρετες μεταδοτικές ασθένειες Περίληψη: Η θερμογραφική απεικόνιση έχει πλέον σημαντικές εφαρμογές στην ιατρική απεικόνιση με την καταγραφή των διαφορών θερμοκρασίας και της κατανομής της θερμότητας στο ανθρώπινο σώμα. Η καταγραφή αυτή κατόπιν μπορεί να συσχετιστεί με την φυσική κατάσταση του εξεταζόμενου. Ο σκοπός της διπλωματικής θα είναι η ανάπτυξη συστήματος επεξεργασίας και ανάλυσης εικόνας για την μελέτη της δυνατότητας χρήσης της θερμογραφικής απεικόνισης στην ανίχνευση διαφορών θερμοκρασίας ώστε να καθίσταται δυνατός ο προληπτικός έλεγχος όπως σε ταξιδιώτες με εμπύρετες ασθένειες. Για τους σκοπούς της διπλωματικής θα χρησιμοποιηθεί ειδικό σύστημα θερμογραφικής απεικόνισης για την παραγωγή των πρωτογενών δεδομένων Κατανόηση των εννοιών και των αλγορίθμων επεξεργασίας εικόνων και αναγνώρισης προτύπων. 5.2 Ανάπτυξη συστήματος επεξεργασίας και ανάλυσης εικόνων θερμογραφίας για την μελέτη μυοσκελετικών παθήσεων Περίληψη: Η θερμογραφική απεικόνιση έχει πλέον σημαντικές εφαρμογές στην ιατρική απεικόνιση με την καταγραφή των διαφορών θερμοκρασίας και της κατανομής της θερμότητας στο ανθρώπινο σώμα. Η καταγραφή αυτή κατόπιν μπορεί να συσχετιστεί με την φυσική κατάσταση του εξεταζόμενου. Ο σκοπός της διπλωματικής θα είναι η ανάπτυξη συστήματος επεξεργασίας και ανάλυσης εικόνας για την μελέτη της δυνατότητας χρήσης της θερμογραφικής απεικόνισης στην διάγνωση μυοσκελετικών κακώσεων και παθήσεων. Για τους σκοπούς της διπλωματικής θα χρησιμοποιηθεί ειδικό σύστημα θερμογραφικής απεικόνισης για την παραγωγή των πρωτογενών δεδομένων Κατανόηση των εννοιών και των αλγορίθμων επεξεργασίας εικόνων και αναγνώρισης προτύπων.
6 Επεξεργασία Εικόνας 6.1 Εύρεση αγγείων σε εικόνες αμφιβληστροειδή Υπολογισμός πλάτους αγγείων Σκοπός: Να βρεθεί ο κεντρικός άξονας αγγείων σε εικόνες αμφιβληστροειδή και να υπολογιστεί το πλάτος των αγγείων Δεδομένα: από τη βάση δεδομένων DRIVE [1] J.J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever, B. van Ginneken, "Ridge based vessel segmentation in color images of the retina", IEEE Transactions on Medical Imaging, 2004, vol. 23, pp. 501-509. [2] M. Niemeijer, J.J. Staal, B. van Ginneken, M. Loog, M.D. Abramoff, "Comparative study of retinal vessel segmentation methods on a new publicly available database", in: SPIE Medical Imaging, Editor(s): J. Michael Fitzpatrick, M. Sonka, SPIE, 2004, vol. 5370, pp. 648-656. [3] S. Chaudhuri, S. Chatterjee, N. Katz, M. Nelson, and M. Goldbaum, Detection of blood vessels in retinal images using two-dimensional matched filters, IEEE Transactions on Medical Imaging 8(3), pp. 263-269, 1989. 6.2 Εύρεση περιοχής εγκεφαλικής ενεργοποίησης σε εικόνες fmri Σκοπός: Να αναγνωριστούν οι περιοχές του εγκεφάλου που ενεργοποιούνται κατά την εκτέλεση συγκεκριμένων ενεργειών. Δεδομένα: Εικόνες fmri από δύο άτομα 6.3 Αναγνώριση ίριδας Σκοπός: Να βρεθεί η ίριδα σε εικόνες ματιών και να γίνει επιβεβαίωση ταυτότητας ατόμων Δεδομένα: από τη βάση δεδομένων CASIA [1] J. Daugman, How Iris Recognition Works, IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, 14(1), pp. 21-30, 2004.
[2] M. Nabti and A. Bouridane, An effective and fast iris recognition system based on a combined multiscale feature extraction technique, Pattern Recognition, pp. 868-879, 2008. 7 Αναγνώριση Προτύπων 7.1 Ταξινόμηση ηλεκτροεγκεφαλογραφικών προκλητών δυναμικών σχετιζόμενων με παρατήρηση ορθών ή λανθασμένων δράσεων Σκοπός: Μελέτη των εγκεφαλικών μηχανισμών που ενεργοποιούνται κατά την παρατήρηση ενεργειών άλλων ατόμων. Δεδομένα: Καταγραφές προκλητών δυναμικών από 16 άτομα. [1] C.E.Vasios, E.M.Ventouras, G.K.Matsopoulos, I.Karanasiou, P.Asvestas, N.K.Uzunoglu, H.T.Van Schie, E.R.A.de Bruijn, Classification of Event-Related Potentials Associated with Response Errors in Actors and Observers Based on Autoregressive Modeling, The Open Medical Informatics Journal, vol. 3, pp. 32-43, 2009. [2] P.A. Asvestas, E. Ventouras, I. Karanasiou, G.K. Matsopoulos, Classification of Event- Related Potentials Associated with Response Errors in Actors, Proceedings of the 8th IEEE International Conference on BioInformatics and BioEngineering (BIBE 2008), 2008. ISBN 978-1-4244-2845-8 (CD-ROM Edition). 7.2 Ταξινόμηση δεδομένων αρρυθμίας Σκοπός: να ταξινομηθούν δεδομένα από διάφορα είδη αρρυθμιών Δεδομένα: 452 καταγραφές [1] H. Altay Guvenir, Burak Acar, Gulsen Demiroz, Ayhan Cekin "A Supervised Machine Learning Algorithm for Arrhythmia Analysis." Proceedings of the Computers in Cardiology Conference, Lund, Sweden, 1997.
7.3 Κατηγοριοποίηση δεδομένων βιοψίας μαστού Σκοπός: η κατηγοριοποίηση δεδομένων βιοψίας σε καλοήθη/κακοήθη. Δεδομένα: 357 καλοήθεις βιοψίες, 212 καοήθεις βιοψίες [1] W.H. Wolberg, W.N. Street, and O.L. Mangasarian. Machine learning techniques to diagnose breast cancer from fine-needle aspirates, Cancer Letters, 77, pp. 163-171, 1994. [2] W.H. Wolberg, W.N. Street, D.M. Heisey, and O.L. Mangasarian, Computerized breast cancer diagnosis and prognosis from fine needle aspirates, Archives of Surgery, 130, pp. 511-516, 1995.