T3: Procesamiento de Imágenes con Aplicación a la Biomedicina

Procesamiento de imágenes con aplicación a la biomedicina es un curso corto dirigido a investigadores y estudiantes de las áreas de la informática y de ciencias de la vida (carreras en biología, medicina, bioquímica, biología humana, etc.) con conocimientos de programación (preferentemente Python) que se interesen por el procesamiento de imágenes por computadora y las aplicaciones a las bioimágenes.
En el curso se introducen los conceptos principales del procesamiento de imágenes por computadora con especial énfasis en su aplicación de ciencias de la vida como ser imágenes de microscopía o las imágenes médicas. Se abarcan los distintos aspectos de un área muy extensa de manera de dejar claros los conceptos generales subyacentes y abrir la puerta a un estudio más detallado por parte del estudiante.

Fundamentos de las bioimágenes. Procesamiento de imágenes: problemas y aplicaciones. Relaciones con disciplinas vecinas. Pasos fundamentales en el procesamiento de imágenes: Esquema general de un sistema de visión por computador.
Representación y visualización de imágenes. Arreglos de datos multidimensionales. Imágenes vectoriales. Discretización espacio-temporal. Cuantificación. Visualización de imágenes 2D, 3D, 3D+t. Formatos de almacenamiento.
Histogramas y operaciones de píxeles. Histogramas, operaciones con histogramas, ecualización de histograma, modificación brillo y contraste, cuantificación, umbralización global y local.
Macros y scripts. Registro y ejecución de secuencias de comandos (macros). Modificación de macros. Comandos de entrada y salida. Ejecución en lotes (batch processing)
Sistemas lineales y filtrado de señales. Filtros lineales, convolución. Filtros no lineales. Filtros en el espacio y en frecuencia. Difusión isotrópica y anisotrópica.
Análisis frecuencial. Teoría de Fourier. Descomposición en senos y cosenos. FFT. Transformada de Fourier. Propiedades. Ancho de banda. Módulo y fase. Teorema de convolución. Filtrado en el espacio y en frecuencia.
Restauración de ruido y degradaciones. Modelo de la degradación: desenfoque, borroneo, ruido. Métodos de restauración. Filtro adaptivo. Filtro inverso. Medidas de desempeño.
Fundamentos del Aprendizaje Automático (AA). Planteo y diagrama de un sistema de AA. Tipos de problemas de AA. Etapas de desarrollo. Medidas de desempeño. Optimización y búsqueda de parámetros. Sobre-ajuste y medidas para evitarlo. Aplicación a la clasificación de píxeles y objetos. Entrenamientos de clasificadores. Medida de desempeño.
Análisis de imágenes a color y textura. Teoría del color. Espacios de representación de color. Texturas estructurales y estadísticas. Métricas para texturas. Conceptos básicos de Aprendizaje Automático para clasificación de texturas.
Seguimiento de objetos y partículas. Seguimiento de objetos (células, spots) en secuencias de imágenes. Planteo del diagrama detección-seguimiento. Métodos de AA en detección.
Análisis de formas. Análisis de objetos detectados en imágenes. Factor de forma. Medidas geométricas Medidas estadísticas.
Buenas prácticas en el uso de imágenes científicas. Aspectos éticos de la aplicación del AA. Consideraciones para las publicaciones científicas con métodos de AA, y la relación con la Inteligencia Artificial.

Conocimientos básicos de Cálculo, Álgebra lineal, Probabilidad, y Programación

Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing. Pearson.
Burger, Wilhelm, Burge, Mark J. (2011). Principles of Digital Image Processing: Fundamental Techniques. Springer. ISBN: 978-1848001909.
Burger, Wilhelm, Burge, Mark J. (2007). Digital Image Processing: An Algorithmic Introduction using Java. Springer.