Akvizice dat. Dekonvoluce Registrace. zobrazení INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
|
|
- Radovan Kolář
- před 5 lety
- Počet zobrazení:
Transkript
1 a analýza signálů v perfúzním zobrazení Ústav biomedicínského inženýrství FEKT, VUT v Brně INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
2 Osnova Úvod 1 Úvod
3 Úvod diagnostika a průběh terapie nádorových onemocnění diagnostika a průběh terapie po mozkové mrtvici diagnostika a průběh terapie po infarktu myokardu odhad perfuzních parametrů tkání modality CT, MRI, PET, SPECT, UZV na rozhraní mezi stádiem a výzkumem clinickým využíváním
4 Kontrastní látky v MRI založené na gadoliniu např. Gd-diethylene-triaminpentaacetic acid (Gd-DTPA, Schering AG, Německo) způsobuje zkrácení T1, T2 (paramegnetický charakter gadolinia) většinou difusibilní přes vaskulární membránu (ne do buněčného prostoru) mozková krevní bariéra
5 Kontrastní látky v ultrasonografii intravaskulární mikrobublinky (plněné plynem) vysoká echogenita SonoVue (Bracco Diagnostics, Itálie), Optison (GE Healthcare, USA)
6 MRI akvizice dat Úvod intravenózní aplikace kontrastní látky zobrazování 1 min - 10 min perioda časového vzorkování: 1 20 s T1, T2, T2 váhováné pulsní sekvence převod obrazových dat na veličinu přímo úměrnou koncentraci k.l.: relaxivita 1/T 1, 1/T 2, 1/T 2 výběr ROI časový průběh pro koncentrace k.l. vs. čas pro každý ROI
7 UZV Úvod intravenózní aplikace kontrastní látky (bolus n. infúze) zobrazování 1 min min perioda časového vzorkování: s harmonické zobrazování (vyšší citlivost) převod obrazových dat na veličinu přímo úměrnou koncentraci k.l.: intenzita UZV (videodata vs. RF data) výběr ROI časový průběh pro koncentrace k.l. vs. čas pro každý ROI
8 UZV Úvod
9 UZV - replenishment metody
10 Modely tkání Úvod obecný model kompartmentový trubice
11 Reziduální funkce tkáně Tissue residue function - R(t) funkce měřená v ROI, když AIF(t) je nekonečně krátký impuls jednotkového integrálu pravděpodobnost, že částice k.l., která vstoupila do ROI v čase t = 0 zůstává v ROI i v čase t
12 Reziduální funkce tkáně obecný model kompartmentový trubice
13 Reziduální funkce tkáně Impulsní (teoretická) AIF: C t (t) = kr(t) Obecná AIF: C t (t) = kr(t) AIF(t), kde je konvoluce k = ρ F b F b je tok krve ROI na jednotkovou hmotnost tkáně [ml/s/g] ρ je hustota tkáně [g/ml]
14 Modely pro intravaskulární k. l. Postup: měření AIF(t) a C t (t) (AIF(t) se měří ve vyživující arterii) dekonvoluce odhad kr(t) R(0) = 1 => odhad F b odhad V b = 1 ρ R R Ct (t)dt AIF (t)dt odhad MTT (mean transit time) MTT = V b F b
15 Modely pro intravaskulární k. l. - replenishment C t (t) = C 0 Vb (1 e F b V b t )
16 c t (n) = aif (n) trf (n) + w(n) trf (n) =? signály jako N-rozměrné náhodné veličiny Bayesův teorém: p(trf c t ) = p(c t trf )p(trf ) p(c t ) p(trf c t ) podmíněná (posteriorní) hustota pravděpodobnosti trf (n) při známém měření c t (n) p(c t trf ) podmíněná hustota pravděpodobnosti měření c t (n) při známém trf (n) p(trf ), p(c t ) apriorní hustoty pravděpodobnosti hlední nejpravděpodobnějšího trf (n) maximalizace p(trf c t )
17 hlední nejpravděpodobnějšího trf (n) maximalizace p(trf c t ) nebo. minimalizace ln p(trf c t ) = ln p(c t trf ) ln p(trf ) + ln p(c t ) trf ˆ = arg{max trf ɛ ML + ɛ PR } minimalizace ɛ ML maximum likelihood dekonv. minimalizace ɛ ML + ɛ PR maximum aposteriori dekonv.
18 Maximum likelihood dekonvoluce Šum w(n) - nezávislé náhodné veličiny (bílý šum) s Gaussovským rozložením 1 e [c t (n) trf (n) aif (n)] 2 2σw 2 σ w 2π p(c t trf ) = n ɛ ML = 1 σ w n [c t(n) trf (n) aif (n)] 2 ML dekonvoluce = LMS aproximace
19 MAP dekonvoluce Úvod trf (n) - také nezávislé náhodné veličiny (bílý šum) s Gaussovským rozložením 1 e trf 2 (n) 2σ trf 2 σ trf 2π p(trf ) = n ɛ PR = 1 σ trf n trf 2 (n) minimalizace možná analyticky => Wienerův filtr s konst. SNR: TRF (k) = C t (k) AIF (k) AIF (k) 2 + σ2 w σ 2 trf
20 MAP dekonvoluce Úvod Další formulace ɛ PR (ne na základě pravd. rozložení) a priorní informace pozitivity trf (n): ɛ PR = n{ neg(n)trf (n) 1 (trf (n) < 0) neg(n) = 0 (jinak)...penalizace záporných hodnot Regularizace Bayesovská dekonvoluce
21 Striktní formulace omezení Apriorní informace pozitivity trf (n) substituce trf (n) = trf 2 p (n) optimalizace vzhledem k trf p (n) Apriorní předpoklad monotonicity trf (n) substituce 1: trf (n) = trf (0) n 1 m=0 trf d(m) substituce 2: trf d (n) = trf 2 p (n) optimalizace vzhledem k trf p (n) Apriorní předpoklad parametrického tvaru trf (n) substituce: trf (n) = Ae βn optimalizace vzhledem k A, β
22 obecně Úvod obrazů - hledání vhodné geometrické transformace obrazu A, aby lícoval s obrazem B např. v perfuzním zobrazování pro potlačení pohybu v důsledku dýchání, srdeční činnosti, pohybu pacienta multimodální charakter intenzitní metody
23 Metrika podobnosti obrazů Vzájemná informace založeno na vzájemném histogramu: pro 2 obrazy 2D funkce (matice) na osách hodnoty intenzit v obraze 1 a 2 normalizovaný vzáj. histogram - odhaz sdružené hustoty pravděpodobnosti intenzit obou obrazů
24 Metrika podobnosti obrazů Vzájemný histogram dvou shodných obrazů: bez posunu malý posun velký posun
25 Metrika podobnosti obrazů Vzájemný histogram obrazů CT a MRI: bez posunu malý posun velký posun
26 Metrika podobnosti obrazů entropie míra neuspořádanosti čím menší entropie, tím menší neuspořádanost, tím lepší registrace vzájemná informace normalizovaná vzájemná entropie
27 Děkuji za pozornost! 5. letní škola Matematické biologie je podporována projektem ESF č. CZ.1.07/2.2.00/ VÍCEOBOROVÁ INOVACE STUDIA MATEMATICKÉ BIOLOGIE INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceULTRAZVUKOVOU PERFÚZNÍ ANALÝZU METODOU BOLUS & BURST
SROVNÁNÍ OPTIMALIZAČNÍCH ALGORITMŮ PRO ULTRAZVUKOVOU PERFÚZNÍ ANALÝZU METODOU BOLUS & BURST M. Mézl 1, R. Jiřík 2 1 Ústav biomedicínského inženýrství, VUT v Brně; 2 Ústav přístrojové techniky AV ČR, v.v.i.
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VícePřednáška v rámci PhD. Studia
OBVODY SE SPÍNANÝMI KAPACITORY (Switched Capacitor Networks) Přednáška v rámci PhD. Studia Doc. Ing. Lubomír Brančík, CSc. UREL FEKT VUT v Brně ÚVOD DO PROBLEMATIKY Důsledek pokroku ve vývoji (miniaturizaci)
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce p íznaků Granáty Četnost Jablka Váha [dkg] Pravděpodobnosti - diskrétní p íznaky Uvažujme diskrétní p íznaky váhové kategorie Nechť tabulka
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií DIZERTAČNÍ PRÁCE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií DIZERTAČNÍ PRÁCE Brno, 2016 Ing. Martin Mézl VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY
VíceUmělá inteligence II
Umělá inteligence II 11 http://ktiml.mff.cuni.cz/~bartak Roman Barták, KTIML roman.bartak@mff.cuni.cz Dnešní program! V reálném prostředí převládá neurčitost.! Neurčitost umíme zpracovávat pravděpodobnostními
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceROZ1 - Cv. 3 - Šum a jeho odstranění ÚTIA - ZOI
Šum Co je to šum v obrázku? Šum Co je to šum v obrázku? V obrázku je přidaná falešná informace nahodilého původu Jak vzniká v digitální fotografii? Šum Co je to šum v obrázku? V obrázku je přidaná falešná
Víceanalýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
VíceTERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ DEPARTMENT
VíceMagnetická rezonance (3)
Magnetická rezonance (3) J. Kybic, J. Hornak 1, M. Bock, J. Hozman 2008 2018 1 http://www.cis.rit.edu/htbooks/mri/ MRI zobrazovací techniky Multislice imaging Šikmé zobrazování Spinové echo Inversion recovery
VíceNPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe. Adam Novozámský (novozamsky@utia.cas.cz)
NPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe Adam Novozámský (novozamsky@utia.cas.cz) TEORIE Šum a jeho odstranění ŠUM Co je to šum v obrázku a jak vzniká? Jaké známe typy šumu? ŠUM V obrázku
VíceMagnetická rezonance (3)
Magnetická rezonance (3) J. Kybic, J. Hornak 1, M. Bock, J. Hozman April 28, 2008 1 http://www.cis.rit.edu/htbooks/mri/ MRI zobrazovací techniky Multislice imaging Šikmé zobrazování Spinové echo Inversion
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce příznaků 3 25 2 Granáty Jablka Četnost 15 1 5 2 3 4 5 6 7 8 Váha [dkg] Pravděpodobnosti - diskrétní příznaky Uvažujme diskrétní příznaky
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceMODELOVÁNÍ A ANALÝZA SIGNÁLŮ V ZOBRAZOVÁNÍ PERFÚZE MAGNETICKOU REZONANCÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ Ing. JIŘÍ KRATOCHVÍLA MODELOVÁNÍ A ANALÝZA SIGNÁLŮ V ZOBRAZOVÁNÍ PERFÚZE MAGNETICKOU
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VíceAktualizace modelu vlastnosti materiálu. Stanovení vlastností materiálů
podpora zaměstnanosti Aktualizace modelu vlastnosti materiálu Pro. Ing. Milan Holický, DrSc. a Ing. Miroslav Sýkora, Ph.D. ČVUT v Praze, Kloknerův ústav Stanovení vlastností materiálů při hodnocení existujících
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií DIZERTAČNÍ PRÁCE. Ing. Jiří Kratochvíla
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií DIZERTAČNÍ PRÁCE Brno, 2017 Ing. Jiří Kratochvíla VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
VíceSRE 03 - Statistické rozpoznávání
SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget ÚPGM FIT VUT Brno, burget@fit.vutbr.cz FIT VUT Brno SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget, ÚPGM FIT VUT Brno, 2006/07 1/29 Opakování
VíceAnalýza časového vývoje 3D dat v nukleární medicíně
Diplomová práce Analýza časového vývoje 3D dat v nukleární medicíně Jan Kratochvíla Prezentováno Seminář lékařských aplikací 12. prosince 2008 Vedoucí: Mgr. Jiří Boldyš, PhD., ÚTIA AV ČR Konzultant: Ing.
VíceMetody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu
Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu Ing. Daniel Schwarz, Ph.D. Bc. Eva Janoušov ová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ O čem budu mluvit? Neurovědy
VíceKonvoluční model dynamických studií ledvin. seminář AS UTIA
Konvoluční model dynamických studií ledvin Ondřej Tichý seminář AS UTIA.. Obsah prezentace Scintigrafická obrazová sekvence a její analýza Konstrukce standardního modelu a jeho řešení Experiment Ovlivnění
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceLineární a adaptivní zpracování dat. 3. SYSTÉMY a jejich popis ve frekvenční oblasti
Lineární a adaptivní zpracování dat 3. SYSTÉMY a jejich popis ve frekvenční oblasti Daniel Schwarz Osnova Opakování: systémy a jejich popis v časové oblasti Fourierovy řady Frekvenční charakteristika systémů
VíceNáhodné signály. Honza Černocký, ÚPGM
Náhodné signály Honza Černocký, ÚPGM Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu } Můžeme vypočítat Málo informace! Náhodné Nevíme přesně Pokaždé jiné Především
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY VYUŽITÍ DEKONVOLUCE V PERFUZNÍM ZOBRAZOVÁNÍ DECONVOLUTION IN PERFUSION IMAGING
příloha č. 2 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 5 Aproximační techniky 2012 Spolehlivost
VíceRobustní statistické metody
Populární úvod Ústav teoretické fyziky a astrofyziky, MU Brno 28. říjen 2006, Vlašim O co jde? Robustní znamená: necitlivý k malým odchylkám od ideálních předpokladů na který je metoda odhadu optimalizována.
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VíceOdhady - Sdružené rozdělení pravděpodobnosti
Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
VíceObrazové parametry. H.Mírka, J. Ferda, KZM LFUK a FN Plzeň. Z jedné sady hrubých dat je možno vytvořit mnoho obrazů různé kvality
Obrazové parametry H.Mírka, J. Ferda, KZM LFUK a FN Plzeň Z jedné sady hrubých dat je možno vytvořit mnoho obrazů různé kvality Obrazové parametry. výpočet obrazu z hrubých dat. je možno je opakovaně měnit
VíceZobrazování. Zdeněk Tošner
Zobrazování Zdeněk Tošner Ultrazvuk Zobrazování pomocí magnetické rezonance Rentgen a počítačová tomografie (CT) Ultrazvuk Akustické vlnění 20 khz 1 GHz materiálová defektoskopie sonar sonografie (v lékařství
VíceMetody analýzy 3-D obrazů z magnetické rezonance v neurovědním výzkumu. Investice do rozvoje vzdělávání
Metody analýzy 3-D obrazů z magnetické rezonance v neurovědním výzkumu Daniel Schwarz Investice do rozvoje vzdělávání Co nás čeká? Neurovědy co to je? Neuroimaging, registrace medicínských obrazů Registrace
VíceLekce 4 Statistická termodynamika
Lekce 4 Statistická termodynamika Osnova 1. Co je statistická termodynamika 2. Mikrostav, makrostav a Gibbsův soubor 3. Příklady Gibbsových souborů 4. Souborové střední hodnoty 5. Časové střední hodnoty
VíceAnalogově číslicové převodníky
Verze 1 Analogově číslicové převodníky Doplněná inovovaná přednáška Zpracoval: Vladimír Michna Pracoviště: Katedra textilních a jednoúčelových strojů TUL Tento materiál vznikl jako součást projektu In-TECH
VíceMATEMATIKA III. π π π. Program - Dvojný integrál. 1. Vypočtěte dvojrozměrné integrály v obdélníku D: ( ), (, ): 0,1, 0,3, (2 4 ), (, ) : 1,3, 1,1,
MATEMATIKA III Program - vojný integrál. Vpočtěte dvojrozměrné integrál v obdélníku : + dd = { < > < > } ( 3), (, ) : 0,, 0,, dd = { < > < > } ( 4 ), (, ) :,3,,, + dd = { < > < > } ( ), (, ):,0,,, + dd=
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceIV aplikace kontrastní látky fyziologické principy
IV aplikace kontrastní látky fyziologické principy H. Mírka, J. Ferda Farmakokinetika KL 1 periferní žíla 2 pravé srdeční oddíly 3 plicní tepny a žíly 4 levé srdeční oddíly 5 tepny velkého oběhu 6 kapiláry,
VíceŠKÁLOVÁNÍ ARTERIÁLNÍ VSTUPNÍ FUNKCE V DCE-MRI
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
Více1 Zpracování a analýza tlakové vlny
1 Zpracování a analýza tlakové vlny 1.1 Cíl úlohy Prostřednictvím této úlohy se naučíte a zopakujete: analýzu biologických signálů v časové oblasti, analýzu biologických signálů ve frekvenční oblasti,
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceHepatobiliární scintigrafie pomocí 99 mtc - HIDA
Hepatobiliární scintigrafie pomocí 99 mtc - HIDA Princip: Posouzení funkčnosti jaterního parenchymu a odtoku žlučovody pomocí značených derivátů kyseliny aminodioctové. Radiofarmakum (RF): 99 mtc - HIDA.
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
VíceKOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/25 KOMPRESE OBRAZŮ Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD
VíceSLAM. Simultaneous localization and mapping. Ing. Aleš Jelínek 2015
SLAM Simultaneous localization and mapping Ing. Aleš Jelínek 2015 Komplexní inovace studijních programů a zvyšování kvality výuky na FEKT VUT v Brně OP VK CZ.1.07/2.2.00/28.0193 Obsah Proč sebelokalizace,
VíceM ASARYKŮ V ONKOLOGICKÝ ÚSTAV Žlutý kopec 7, Brno
PET. PET / CT, PET Centrum, Cyklotron Pozitronová emisní tomografie ( PET ) je neinvazivní vyšetřovací metoda nukleární medicíny založená na detekci záření z radiofarmaka podaného pacientovi.nejčastěji
VíceMetody rekonstrukce obrazu a
Metody rekonstrukce obrazu a odstranění šumu z obrazu Jan Švihlík svihlj1@fel.cvut.cz +420 224 352 113 České vysoké učení technické v Praze Fakulta elektrotechnická Katedra radioelektroniky Obsah Konvoluce
VíceFlexibilita jednoduché naprogramování a přeprogramování řídícího systému
Téma 40 Jiří Cigler Zadání Číslicové řízení. Digitalizace a tvarování. Diskrétní systémy a jejich vlastnosti. Řízení diskrétních systémů. Diskrétní popis spojité soustavy. Návrh emulací. Nelineární řízení.
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
VíceToolboxy analýzy a modelování stochastických systémů
Toolboxy analýzy a modelování stochastických systémů Ústav teorie informace a automatizace, AVČR Oddělen lení stochastické informatiky Petr Salaba Toolboxy analýzy a modelování stochastických systémů Projekt:
VíceMarkovské procesy. příklad: diabetický pacient, hladina inzulinu, léky, jídlo
Pravděpodobnostní usuzování v čase Markovské procesy příklad: diabetický pacient, hladina inzulinu, léky, jídlo předpokládáme, že se množina možných stavů S nemění v průběhu času předpokládáme diskrétní
VíceAktivní detekce chyb
Fakulta aplikovaných věd, Katedra kybernetiky a Výzkumné centrum Data - Algoritmy - Rozhodování Západočeská univerzita v Plzni Prezentace v rámci odborného semináře Katedry kybernetiky Obsah Motivační
VíceAnalýza a zpracování digitálního obrazu
Analýza a zpracování digitálního obrazu Úlohy strojového vidění lze přibližně rozdělit do sekvence čtyř funkčních bloků: Předzpracování veškerých obrazových dat pomocí filtrací (tj. transformací obrazové
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceRobustní odhady statistických parametrů
Robustní odhady statistických parametrů ěkdy pracují dobře, jinde ne. Typická data - pozorování BL Lac 100 mag 40 0 0.41 0.40 JD date 0.39 0.38 0.38223-1.586 0.017 0.40550-1.530 0.019 0.39453-1.610 0.024
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Vícerozměrné statistické rozdělení
VíceČíslicové filtry. Honza Černocký, ÚPGM
Číslicové filtry Honza Černocký, ÚPGM Aliasy Digitální filtry Diskrétní systémy Systémy s diskrétním časem atd. 2 Na co? Úprava signálů Zdůraznění Potlačení Detekce 3 Zdůraznění basy 4 Zdůraznění výšky
VíceNákladová efektivita. Cíl: porovnání nákladové efektivity nových a tradičních metod pro diagnostiku ICHS. Tradiční metody: Nové metody:
Cost effectiveness of coronary angiography and calcium scoring using CT and stress MRI for diagnosis of coronary artery disease Marc Dewey Bernd Hamm (2006) Jakub Vacek Nákladová efektivita Cíl: porovnání
VíceZáření KZ. Význam. Typy netermálního záření. studium zdrojů a vlastností KZ. energetické ztráty KZ. synchrotronní. brzdné.
Zářivé procesy Podmínky vyzařování, Larmorův vzorec, Thomsonův rozptyl, synchrotronní záření, brzdné záření, Comptonův rozptyl, čerenkovské záření, spektum zdroje KZ Záření KZ Význam studium zdrojů a vlastností
VícePřednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky
řednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky Statistika vychází z pravděpodobnosti odmíněná pravděpodobnost, Bayesův vzorec Senzitivita, specificita, prediktivní hodnoty Frekventistická
VíceZáklady výpočetní tomografie
Základy výpočetní tomografie Doc.RNDr. Roman Kubínek, CSc. Předmět: lékařská přístrojová technika Základní principy výpočetní tomografie Výpočetní tomografie - CT (Computed Tomography) CT je obecné označení
Více0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí
Program Sorpce1.m psaný v prostředí Matlabu slouží k vyhlazování naměřených sorpčních křivek a výpočtu difuzních koeficientů. Kromě standardního Matlabu vyžaduje ještě Matlab Signal Processing Toolbox
VíceVylepšení SNR u SPECT vyšetření
Vylepšení SNR u SPECT vyšetření Ptáček J. Fiala P., Karhan P., Koranda P. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc email: ptacekj@fnol.cz Osnova přednášky poměr signálu k
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
VíceCharakterizují kvantitativně vlastnosti předmětů a jevů.
Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost
VíceStatistická analýza dat v psychologii. Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead
PSY117/454 Statistická analýza dat v psychologii Přednáška 8 Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Barevná srdíčka kolegyně
VíceMotivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky
A0M38SPP - Signálové procesory v praxi - přednáška 7 2 Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky (momenty) Matematická definice korelační
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
VíceKompresní metody první generace
Kompresní metody první generace 998-20 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Stillg 20 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca / 32 Základní pojmy komprese
VíceVibrace atomů v mřížce, tepelná kapacita pevných látek
Vibrace atomů v mřížce, tepelná kapacita pevných látek Atomy vázané v mřížce nejsou v klidu. Míru jejich pohybu vyjadřuje podobně jako u plynů a kapalin teplota. - Elastické vlny v kontinuu neatomární
VíceOperace s obrazem I. Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.
Operace s obrazem I Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova 1 Filtrování obrazu 2 Lineární a nelineární filtry 3 Fourierova
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
VícePozitronová emisní tomografie.
Pozitronová emisní tomografie. Pozitronová emisní tomografie (PET) s využitím 18F-2-D-fluor-2- deoxy-glukózy (FDG), je jedna z metod nukleární medicíny, která umožňuje funkční zobrazení tkání organismu,
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceFiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
Více