Scientific computing for Røntgen-tomografi
Overordnede kursusmål
Røntgen-CT bruges rutinemæssigt i medicin, materialevidenskab og mange andre områder til at rekonstruere et objekts indre vha matematiske metoder og numeriske algoritmer.
Dette kursus fokuserer på formulering, implementering og brug af standard rekonstruktions-metoder til CT, såsom Filtered Back Projection, algebraiske iterative rekonstruktions-metoder, og regulariserings-metoder. Vi giver en grundig matematisk beskrivelse af CT-rekonstruktionsproblemet, de tilhørende matematiske formuleringer samt de underliggende beregningsalgoritmer – suppleret med Matlab-computerøvelser. Målet er at deltagerne opnår en basal forståelse af formulering, implementering og brug af basale CT-rekonstuktionsmetoder, og således kan bruge disse til data-analyse af egne CT-rproblemer.
See course description in English
Læringsmål
- Forklare fysikken bag en CT-scanner.
- Formulere den tilsvarende matematisk model og Radon-transformationen.
- Formulere den inverse Radon-transformation og Filtered Back Projection-algoritmen.
- Diskretisere Radon-transformationen og herved opstille et lineært ligningssystem.
- Bruge singulær værdi dekomposition (SVD) til at analysere rekonstruktionsproblemet.
- Formulere og bruge algebraiske iterative metoder som inkluderer simple bibetingelser.
- Formulere konvergens-opførslen for disse metoder.
- Forstå de underliggende principper og implementering af blok-metoder til storskala-problemer.
- Bruge softwarepakken ASTRA til storskala-problemer.
- Formulere variationelle problemer baseret på bayesiansk modellering af støjen.
- Formulere og bruge Tikhonov-regularisering og Total Variation-regularisering.
- Bruge moderne numeriske metoder for konveks optimering til CT-rekonstruktion.
Kursusindhold
Introduktion til CT med anvendelser. CT-scanneren. Radon-transformationen og dens inverse, Filtered Back Projetion. Diskretisering af CT-problemet. Singular værdi dekomposition (SVD) og dens brug til analyse af CT-problemer. Stabilitet og behovet for filtrereing; trunkeret SVD.
Algebraiske iterative rekonstruktions-algoritmer – grundlæggende teori og konvergensegenskaber. Metodernes opførsel med støjfyldte data; semi-konvergens og stopkriterier. Blok.algebraiske metoder til storskala-CT-problemer; brug af GPU’er. Softwarepakke ASTRA og dens algebraiske rekonstruktionsmetoder.
Støj-modeller, a priori-viden og regularisering. Variationelle formuleringer og bayesiansk modellering. Eksempler: Total Variation og Tikhonov regulariering. Introduktion til konveks optimering og numeriske optimerings-metoder. Artifakt-reduktion og modelkalibrering.
Anbefalede forudsætninger
Erfaring med Matlab-programmering(fx 02631/33) og numeriske beregninger (fx 02601).
Undervisningsform
Seminarer og små rapporter om computer-øvelser.
Fakultet
Pladsbegrænsning
Minimum 5.
Vær opmærksom på, at dette enkeltfagskursus har et minimumskrav for antal deltagere for at kunne oprettes. Du får besked om, hvorvidt kurset oprettes senest 8 dage før kursusstart.