近年来，深度学习被广泛应用在医学影像分析的相关任务上，并获得巨大的性能提升。众所周知，深度学习需要大量数据来拟合巨大的参数空间，然而在大部分医疗场景中，获取高质量的医疗数据、以及高质量的标注是相当困难的。因此，应对医疗数据小样本特性，充分挖掘医疗数据的结构化信息，成为近年来学术界关注的热点。本次分享就是针对这一背景的一些尝试，主要从挖掘医疗数据的独有特性提升分割性能以及利用医疗数据的结构化先验训练自监督模型等角度切入，以期为大家提供若干可以参考的思路。
报告时间：2019年7月23日 19:30-21:00
报告形式：QQ群线上直播
（报名形式参见下文）
分享主题一
纵横网分割模型及应用
嘉宾介绍
史颖欢
南京大学计算机科学与技术系副教授
史颖欢博士，分别于07和13年在南大计算机系获学士和博士学位，目前任副教授。主持参与NSFC面上/青年、NSFC重点、国家重点研发等项目。担任15-18年度MICCAI-MLMI，15-16年度MLA，以及17年度MICS等组委会共同主席。目前任江苏省人工智能学会医学图像处理专委会秘书长。入选中国科协“青年人才托举工程”，获ACM南京分会新星奖，江苏省计算机学会青年科技奖，江苏省科学技术二等奖（第二完成人），中国人民解放军医疗成果奖（第三完成人）。
分享主题简介
基于深度学习的分割模型在医学影像（如MR，CT）上取得了广泛应用。在医学图像中，有相当部分的分割目标属于近圆形目标。如何利用近圆形目标的对称信息辅助分割往往被以往工作所忽视。为此我们提出了一种新的分割模型，并命名为纵横网分割模型（crossbar-net）。具体地，模型包括纵网分割和横网分割两部分，通过长宽不等矩形块进行局部区域采样，交替使得横（纵）网将分错区域交给纵（横）网进行分割，使得模型能够互相将自身分错区域交给对方模型进行分割，达到互相提高性能的作用。通过在三个不同分割任务（CT肾肿瘤、MR前列腺、心脏图像分割）上进行测试，表明算法具有较好性能，并且表明模型具有不断演进的能力，相应成果发表于2019年IEEE Trans. Image Processing上。
分享主题二
Pairwise Semantic Segmentation via Conjugate Fully Convolutional Network
基于共轭卷积网络的成对语义分割技术
嘉宾介绍
曹世磊
腾讯优图X-lab医疗组研究员
曹世磊，硕士毕业于西安交通大学，指导老师是郑庆华教授和钱步月副教授。硕士期间研究方向集中在医疗大数据领域，在电子病历和医学影像方向均有一定积累。曾带领团队参加天池医疗AI大赛获得第5名的成绩。硕士期间发表CCF B类会议论文三篇，申请专利2项。入职腾讯一年以来，主要负责腾讯觅影在肝脏、肺脏领域的科研探索和项目产出。个人科研关注点主要集中在挖掘医疗影像数据的结构化先验和医学影像通用分割等方向。
分享主题介绍
医学影像分割是医疗AI领域一个非常重要的任务。然而，好的分割性能往往依赖于大量的标注数据，这在现实应用中成本是非常昂贵的。另一方面，医学影像包含大量的结构化信息，这些结构化先验可以为分割任务提供额外的监督。本次分享主要关注一个问题：如何在有限的标注数据下，充分利用医学影像的结构化信息，有效提升分割性能？为此，我们提出一种成对分割的框架，这一框架可以有效挖掘医疗影像相邻切片间的关系，并以代理监督的形式加以约束。实验结果表明，我们的方法通过不同切片之间配对，一方面大幅地提升了标注数据的数量，另一方面，有效地提升了相邻切片预测结果的光滑性和一致性。
分享主题三
Self-supervised Feature Learning for 3D Medical Images by Playing a Rubik’s Cube
基于魔方复原的三维医疗图像自监督学习方法
嘉宾介绍
李悦翔
腾讯优图X-lab医疗组研究员
李悦翔研究员于2016年获得英国诺丁汉大学博士学位，在攻读博士期间一直致力于医学图像处理算法的研究。毕业回国后进入深圳大学从事博士后研究工作并于2018年5月加入腾讯优图X-lab医疗组。博士及博士后期间发表多篇期刊（TMI）与会议（MICCAI,ISBI）论文。目前研究方向为无监督学习在医学图像处理中的应用。
分享主题介绍
不同于自然图像，医疗图像（如CT，MRI）往往为3D数据。该类数据存在标注难度大、标注信息难以获取等问题，这导致标注的3D医学图像数量通常不足以很好的训练深度学习网络。为解决这个难题，我们提出了一种深度挖掘原始数据信息的自监督学习方法。该方法创新的利用模拟魔方复原过程作为预训练任务，让3D深度学习网络自发的在原始数据中学习到有用的特征，从而提高后续监督任务（脑出血病因分类和脑肿瘤分割）的准确性。
加入方式：
扫描下方二维码或搜索群号607259978
即可加入学术报告QQ群观看直播
后续各类专题线上报告
将提前一周在公众号或QQ群内发布
欢迎大家积极参加！
