با توجه به تحولات سال‌های اخیر حوزه هوش‌مصنوعی و یادگیری ماشین، و همینطور پیشرفت تکنولوژی‌های تصویربرداری زیست-پزشکی و تولید تصاویر با کیفیت، پردازش هوشمند این تصاویر بیشتر امکان‌پذیر شده است. با این حال، تصاویر بیو-پزشکی را در بسیاری موارد نمی‌توان بدون آگاهی از فیزیک تصویربرداری و نوع اطلاعاتی که توسط شیوه‌های مختلف تصویربرداری آشکار می‌شوند، پردازش نمود. همینطور دانستن آناتومی و استانداردهای ذخیره‌سازی و انتشار تصاویر از موارد مورد نیاز دیگر برای رسیدن به این هدف است. از طرفی، تحلیل این تصاویر به شکل کلاسیک به پیشرفت‌های اخیر در حوزه یادگیری ژرف کم‌توجه است. هدف درس مورد بحث تلفیق این دو موضوع است. به صورت دقیق‌تر، هدف کسب قابلیت‌های لازم برای طراحی اصول‌مند راه‌حل‌های نوین هوشمند و مطمئن برای مسائل موجود پزشکی مانند تشخیص، پیش‌بینی، بهبود تصویر، و قطعه‌بندی تصاویر و همچنین رسیدن به زبان مشترک برای انتقال یافته‌ها و روش طراحی شده به یک متخصص زیست‌شناس یا رادیولوژیست است.

1. اصول اولیه پردازش و ذخیره‌سازی تصاویر (سه جلسه)
   • تئوری نمونه‌برداری و تبدیل فوریه
   • روش‌های درون‌یابی و سنجش فشرده (compressed sensing) برای بازسازی تصاویر
   • فرمت DICOM برای ذخیره‌سازی و انتقال تصاویر پزشکی
2. منابع تصاویر پزشکی (مانند X-ray و MRI) و فیزیک آن (دو جلسه)
3. انواع میکروسکوپ (فلورسنت، الکترونی و غیره) (دو جلسه)
4. نرم‌افزارهای تحلیل و کمی‌سازی تصاویر میکروسکوپی مانند CellProfiler و Ilastik و ImageJ (پنج جلسه)
5. انواع پیش‌پردازش‌های مفید تصاویر (سه جلسه)
   • بهبود تصاویر (image enhancement)
   • ثبت تصاویر (image registration)
6. روش‌های قطعه‌بندی (segmentation) (پنج جلسه)
   • آستانه‌گذاری
   • روش watershed
   • روش Faster Mask RCNN
   • روش U-net و مشتقات آن
   • روش‌های 3D CNN برای قطعه‌بندی تصاویر حجمی (V-net و DeepMedic و HighRes3Dnet)
7. روش‌های ردیابی سلول‌ها در ویدئو (دو جلسه)
8. روش‌های خودکار تشخیص و پیش‌بینی تصاویر (چهار جلسه)
9. روش‌های نمایه‌سازی (profiling) تصاویر میکروسکوپی (دو جلسه)

• تمرین : ۱۵٪
• پروژه : ۲۰٪
• امتحان کوتاه‌: ۱۰٪
• امتحان میان‌ترم : ۲۵٪
• امتحان پایان ترم: ۳۰٪