Danmarks Tekniske Universitet - courses.compute.dtu…courses.compute.dtu.dk/02511/exam/Exam02511_2014.pdf · DTU. Kursus 02511. Forside + 25 sider. 2. juni 2014. 1 Danmarks Tekniske

DTU. Kursus 02511. Forside + 25 sider. 2. juni 2014. 1

Danmarks Tekniske Universitet

Skriftlig prøve, den 2. juni 2014

Kursus navn: Indledende Medicinsk Billedanalyse

Kursusnr: 02511

Varighed: 4 timer

Tilladte hjælpemidler: Alle hjælpemidler er tilladt.

Vægtning: Alle opgaver vægtes ligeligt.

Navn:

Underskrift:

Bord nr.:

Opgave 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15Svar

Opgave 16 17 18 19 20 21 22 23 24 25Svar

Svarmulighederne for hvert spørgsmål er nummereret fra 1 til 6. For hvertspørgsmål skal nummeret på den valgte svarmulighed indføres i skemaetovenfor. Indføres et forkert nummer i skemaet kan dette rettes ved at "sværte"detforkerte nummer over og anføre det rigtige nummer nedenunder. Er der tvivlom meningen med en rettelse, betragtes spørgsmålet som ubesvaret. KUNFORSIDEN SKAL AFLEVERES. Afleveres blankt eller forlades ek-samen i utide, skal forsiden alligevel afleveres. Kladde, mellemregninger ogbemærkninger tillægges ingen betydning, kun tallene indført ovenfor reg-istreres.

Der gives 5 points for et korrekt svar og -1 for et ukorrekt svar. Ubesvaredespørgsmål eller et 6-tal (svarende til "ved ikke") giver 0 points. Det antalpoints, der kræves for, at et sæt anses for tilfredsstillende besvaret, afgøresendeligt ved censureringen af sættene.

HUSK at forsyne opgaveteksten med navn, underskrift og bord nummer.


Opgave 14.1

På billedet, der ses i Figur 1 laves en minimum distance classification medtre klasser. Klasse 1 har middelværdi 97, klasse 2 har middelværdi 173 ogklasse 3 har middelværdi 248. De pixels, der tilhører klasse 2 sættes til 1og resten til 0. Der udføres en chain coding (0-baseret (x,y)-koordinatsystemmed origo i øverste venstre hjørne) som bliver:

1. (2,1)(0, 7, 6, 4, 6, 2, 3, 3)

2. (1,1)(0, 7, 6, 6, 6, 2, 3, 3)

3. (1,2)(0, 0, 6, 1, 6, 2, 3, 3)

4. (1,1)(0, 0, 6, 6, 6, 2, 3, 3)

5. (1,1)(0, 0, 6, 3, 6, 2, 1, 3)

6. Ved ikke

Figur 1: Grayscale billede


Opgave 14.2

På billedet der ses i Figur 2 udføres der en linear gray level mapping sådanat resultatbilledet har en maksimal pixelværdi på 255 og en mindsteværdipå 0. På resultatbilledet udføres der derefter en filtrering med et 3x3 medianfilter. Hvad bliver pixelværdien i den markerede pixel?


1. 125

2. 150

3. 136

4. 142

5. 130

6. Ved ikke


Opgave 14.3

På billedet i Figur 3 udføres

(I⊕ SE1) ◦ SE2,

hvor SE1 og SE2 ses i Figur 4. Hvor mange forgrundspixels er der i resultat-billedet?

Figur 3: Binært billede I. Hvide pixels er forgrund (1) og sorte pixels erbaggrund (0).

Figur 4: Venstre: SE1, Højre: SE2. Hvide pixels er forgrund (1) og sortepixels er baggrund (0). Centeret er markeret med et sort kryds.

1. 35

2. 24

3. 11

4. 42

5. 5

6. Ved ikke


Opgave 14.4

Hvilket af følgende udsagn er forkert?

1. I BLOB analyse kan bounding box ratio bruges til at afgøre om et objekter aflangt

2. Når der laves pixel classification er det nødvendigt at alle pixels mark-eres når et træningsbillede markeres af en ekspert.

3. Backward mapping bruges når et billede transformeres for at undgåhuller i resultatbilledet

4. Path tracing kan følge mørke linier i et billede

5. Histogram stretching kan forbedre kontrasten i et billede.

6. Ved ikke


Opgave 14.5

På billedet i Figur 5 udføres en morphological erosion med SE1 fra Figur 4.Resultatet er en enkelt BLOB. Ved at udregne BLOB’ens areal og dens com-pactness kan den klassificeres som hørende til en af de klasser, der ses i dennedenstående table. Klassifikationen foregår uden normalisering.

Klasse Areal CompactnessType 1 5 0.35Type 2 6 0.20Type 3 6 1.1Type 4 7 0.37Type 5 8 0.22

Figur 5: Binært billede I. Hvide pixels er forgrund (1) og sorte pixels erbaggrund (0).

BLOB’en bliver klassificeret som:

1. Type 1

2. Type 2

3. Type 3

4. Type 4

5. Type 5

6. Ved ikke


Opgave 14.6

Ved at bruge dynamic programming beregnes der et optimal path fra toppentil bunden af billedet i Figur 6. Der bruges Matlab matrix koordinatsystem.Det fundne path er:

1. P = [(2, 2), (2, 2), (3, 1), (4, 4)]

2. P = [(1, 1), (1, 2), (3, 3), (4, 4)]

3. P = [(1, 2), (1, 2), (3, 3), (4, 3)]

4. P = [(1, 3), (2, 2), (3, 3), (3, 4)]

5. P = [(1, 2), (2, 2), (3, 3), (4, 4)]

6. Ved ikke

Figur 6: Grayscale billede.


Opgave 14.7

Hvilket af følgende udsagn er forkert?

1. I en simpel linse fokuseres parallele lysstråler i focal point.

2. Automatisk thresholding kan bruges på billeder med en klar adskillelsemellem forgrund og baggrund

3. Pixel classification bruges til at tildele hver pixel en label.

4. Template matching kan bruges til at gøre objekter større.

5. Et computed tomography billede beregnes på baggrund af mange enkeltebilleder.

6. Ved ikke


Opgave 14.8

Der laves en BLOB analyse på billedet, der ses i Figur 7. Den største BLOBfundet med 8-connectivity kodes med en binary run-length code (0-baseret(x,y)-koordinatsystem med origo i øverste venstre hjørne) som bliver:

1. [9; (3, 3)], [9; (6, 6)], [10; (2, 7)], [11; (1, 6)], [12; (1, 5)], [13; (3, 4)]

2. [1; (5, 5)], [2; (6, 8)], [3; (5, 7)], [4; (3, 6)], [5; (1, 5)], [6; (2, 4)]

3. [5; (2, 3)], [6; (6, 7)], [7; (4, 7)], [8; (4, 7)], [9; (3, 5)], [10; (3, 6)]

4. [8; (3, 6)], [9; (6, 9)], [9; (4, 7)], [10; (5, 7)], [10; (4, 5)], [10; (4, 6)]

5. [9; (3, 3)], [10; (6, 7)], [11; (5, 7)], [11; (3, 6)], [12; (1, 5)], [13; (3, 4)]

6. Ved ikke

Figur 7: Binært billede. Hvide pixels er forgrund (1) og sorte pixels er bag-grund (0).


Opgave 14.9

For at kunne hjælpe med at måle modermærker, skal du lave en algoritme,der kan finde modermærker i billeder. Et modermærke er normalt mørkt påen lys baggrund. Hvad kan du gøre:

1. Invertere billedet, automatisk thresholding, BLOB analyse, behold størsteblob.

2. Geometrisk transformation, dynamisk programmering, log mapping

3. BLOB analyse, median filtrering, thresholding

4. Hough-transformation, morfologisk closing, edge detection

5. Parametric classification, gamma mapping, morfologisk erosion

6. Ved ikke


Opgave 14.10

Du har et kamera med focal length på 55 mm og en CCD chip, der måler 8mm x 6 mm. Det tager billeder der har størrelsen 4096 x 3072 pixels. Detkan antages at b = f . Fra en afstand af 110 cm har du taget et skarpt billedeaf en lillefinger som er placeret lodret i billedet. På billedet er længden affingeren 1470 pixels. Hvor lang er fingeren?

1. 51.3 mm

2. 61.2 mm

3. 55.3 mm

4. 57.4 mm

5. 45.3 mm

6. Ved ikke


Opgave 14.11

Du skal lave en kameropstilling der kan tage billeder af børn. Kameraeter opstillet fem meter fra børnene, som højst er 120 cm høje. Hvad skalkameraets field-of-view være før at de højeste børn lige netop kan være påbilledet?

1. 13.7◦

2. 7.6◦

3. 22.1◦

4. 31.8◦

5. 15.6◦

6. Ved ikke


Opgave 14.12

Et 10 x 10 billede (0-baseret (x,y)-koordinatsystem med origo i øverste ven-stre hjørne) fyldes ud med følgende binary run-length code:

[2; (2,3)], [3; (3,4)], [4; (3,4)], [5; (3,6)],

[6; (2,2)], [6; (4,7)], [7; (3,4)], [7; (6,6)]

Herefter udføres en morphological closing med SE1 fra Figur 4. Hvor mangeforgrundspixels er der i resultatbilledet?

1. 6

2. 20

3. 14

4. 21

5. 16

6. Ved ikke


Opgave 14.13

For at kunne lave en image registration mellem et reference billede og et tem-plate billede er der blevet sat to sammenhørende landmarks i hvert billede.Landmarks kan ses i den nedenstående tabel. De landmarks der er sat ireference billedet roteres med rotationsmatricen:

[0.91 −0.420.42 0.91

](1)

Landmark i reference x y Landmark i template x ya1 2 5 b1 3 8a2 7 6 b2 3 9

og herefter beregnes sum of squared distances objective function F som er:

1. 9.3

2. 18.7

3. 21.2

4. 28.9

5. 5.4

6. Ved ikke


Opgave 14.14

Der udføres en template matching på billedet i Figur 8 (venstre) med tem-plate billedet, der ses i Figur 8 (højre). Hvad bliver normalized cross corre-lation i den markerede pixel?

1. 0.27

2. 0.93

3. 0.54

4. 0.90

5. 0.78

6. Ved ikke

Figur 8: Venstre: Gray scale image. Højre: Template


Opgave 14.15

For at kunne lave en image registration mellem et reference billede og et tem-plate billede er der blevet sat tre sammenhørende landmarks i hvert billede.Landmarks kan ses i den nedenstående tabel. Den optimale translation, derbringer reference billedet over i template billedet er beregnet til (−2, 1). Hvader den manglende koordinat i tabellen.

Landmark i reference x y Landmark i template x ya1 7 9 b1 1 7a2 4 3 b2 5 4a3 ? ? b3 9 7

1. (10, 3)

2. (4, 2)

3. (7, 5)

4. (-1, 2)

5. (3, 12)

6. Ved ikke


Opgave 14.16

På Figur 9 ses det skematisk hvordan røntgenstråling med en startintensitetpå I0 passerer igennem et uhomogent materiale. x1 til x7 er afstande og µ1til µ4 er linear attenuation coefficients. Hvad bliver røntgenintensiteten påfilmen, der hvor pilen peger?

Figur 9: Røntgenstråling igennem uhomogent materiale.

1. I0 exp(−µ1(x1 − x7)− µ7x7 − µ3x6 − µ4(x4 − x6))

2. I0 exp(−µ1x1 − µ7x7 − µ3x6 − µ4(x4 + x6))

3. I0 exp(−µ1(x1 − x7)− µ7x6 − µ3x6 − µ2(x4 − x6))

4. I0 exp(−µ1(x1 + x7)− µ7x7 − µ2x6 − µ4(x4 − x6))

5. I0 exp(−µ1(x1 − x7)− µ7x6 − µ3x6 − µ3(x4 − x6))

6. Ved ikke


Opgave 14.17

Det lille RGB billede, der ses i Figur 10 bliver konverteret til gray scale (somluminance). Herefter udføres en filtrering med et vertical Prewitt filter. Hvadbliver resultatet i den pixel som ligger midt i billedet?

Figur 10: RGB Billede.

1. 132

2. 223

3. 7

4. 110

5. 21

6. Ved ikke


Opgave 14.18

På billedet der ses i Figur 11 udføres en filtrering med et Horizontal Sobelfilter og den filterkerne, der ses i Figur 11. Resultaterne beskæres ikke ved0 og 255 og der benyttes ikke normalisering. Den absolutte forskel beregnesmellem resultaterne.

Figur 11: Venstre: Gray scale image. Højre: Filterkerne

Hvad bliver værdien i den pixel, der er markeret med en cirkel?

1. 310121

2. 23111

3. 5401

4. 134292

5. 1112

6. Ved ikke


Opgave 14.19

Der udføres en gamma mappingmed γ = 1.1 på billedet i Figur 12 og hereftersættes der et threshold på 120. Pixels over threshold sættes til forgrund ogresten til baggrund. Hvor mange forgrundspixler er der i resultatbilledet?

1. 5

2. 2

3. 10

4. 7

5. 12

6. Ved ikke

Figur 12: Grayscale billede.


Opgave 14.20

På billedet der ses i Figur 13 udføres der en filtrering med normalisering medfilterkernen, der ses i Figur 11. Før filtrering bliver input billedet gjort størreved at kopiere kanten af billedet (replicate). Hvad bliver pixelværdien i denmarkerede pixel?

1. 23

2. 209

3. 106

4. 213

5. 121

6. Ved ikke



Opgave 14.21

På en børneafdeling tager de farvebilleder af børn. I billedet er der en storlineal. Du får til opgave at lave en algoritme, der kan finde linealen. Hvilkemetoder kan du for eksempel bruge:

1. Median filtrering, mean filtering, formanalyse

2. Median filtrering, BLOB analyse, bi-linear resampling

3. Farve til gråtone konvertering, pixel klassifikation, gamma mapping

4. Farve til gråtone konvertering, Prewitt filtering, thresholding.

5. Farve til gråtone konvertering, Prewitt filtering, Hough-transformation.

6. Ved ikke


Opgave 14.22

Punktet (x, y) = (2,−3) transformeres først med transformationsmatricen:

[0.2 1.10.6 1.6

](2)

og herefter med transformationsmatricen:

[0.9 1.90.2 2.1

](3)

Resultatet er:

1. (-3.2, 6.3)

2. (10.3, 7.4)

3. (-3.2, -1.2)

4. (-9.45, -8.14)

5. (1.2, 1.6)

6. Ved ikke


Opgave 14.23

For at kunne lave en pixel classification har en ekspert udvalgt områder iet billede indeholdende luft, fedt, blære, hjerte, og knogle. Originalbilledetspixelværdier er angivet som Hounsfield units. De udvalgte pixelværdier sesi Tabel 1. Der laves nu en parametric classification hvor træningsværdiernebeskrives via normalfordelingen.

En pixel med værdien 40 i billedet, vil blive klassificeret som?

1. luft

2. fedt

3. blære

4. hjerte

5. knogle

6. Ved ikke

Væv pixelværdierluft -920, -1055, -975fedt -103, -87, -130blære 25, 33, 38hjerte 42, 45, 49Knogle 230, 280, 255

Tabel 1: Pixelværdier i de områder som eksperten valgte.


Opgave 14.24

For at kunne lave en pixel classification har en ekspert udvalgt områder iet billede indeholdende luft, fedt, blære, hjerte, og knogle. Originalbilledetspixelværdier er angivet som Hounsfield units. De udvalgte pixelværdier ses iTabel 1. Der skal bruges en minimum distance classification og for at gøreprocessen hurtigt beregnes class ranges for hver klasse. Hvad er den for fedt:

1. [−165,−24]

2. [−430, 10]

3. [−610,−17]

4. [−330, 21]

5. [−545,−37]

6. Ved ikke


Opgave 14.25

Et 5 x 5 billede fyldes ud med værdier, der er givet ved gray level run lengthkodningen: 2, 180, 1, 15, 3, 112, 1, 8, 4, 177, 1, 20, 4, 195, 1, 12, 3, 242, 2,25, 3, 9. Herefter findes det optimale path der går fra toppen til bunden afbilledet. Hvad er den totale cost?

1. 81

2. 64

3. 111

4. 73

5. 51

6. Ved ikke

Documents

Danmarks Tekniske Universitet - courses.compute.dtu…courses.compute.dtu.dk/02511/exam/Exam02511_2014.pdf · DTU. Kursus 02511. Forside + 25 sider. 2. juni 2014. 1 Danmarks Tekniske