迈向更高效深度学习算法在医学影像分析中的应用

腾讯会议:

Link: https://meeting.tencent.com/dm/2SULrJvoGewL

ID:   763-344-261

报告摘要：

深度学习算法对医学影像分析的影响将是深远的，但是算法训练需要大规模的，高质量的带标注的数据集。对大部分学者而言，公开数据集一直都是算法开发和评价的重要资源，很多时候甚至是唯一可利用资源。然而，医学影像分析领域出现了一个有趣（反常）的现象：大家往往抓着单一数据集不放，去改进算法刷比赛。大多数单一公开数据集的规模都比较小，这样做很容易过拟合。我们处在一个医学影像分析的黄金时代，每年MICCAI，RSNA，Grand Challenge都会有源源不断地公开已标注的数据集发布。本次报告将围绕一个关键问题展开：在不增加额外标注的情况下，如何高效利用这些已公开和将要公开的医学影像数据集来让算法尽可能地提高疾病检测、诊断精度？为此，本报告将具体阐述两方面的工作（1） 整合现有的“不完全”标注的公开数据集（2） 生成大量“人工”肿瘤从而减少对手工标注的依赖。这两项工作从数据和算法层面突破了不必要的限制，是对实现高效标注和精准医疗的有益探索。该技术现在Medical Segmentation Decathlon榜上位居第一。

报告人简介：

周纵苇，现任约翰霍普金斯大学博士后，于2021年获得亚利桑那州立大学生物医学信息学博士学位。研究方向包括计算机视觉和医学影像分析，旨在减少计算机辅助诊断、治疗和手术繁琐的专家标注的工作量。他被授予美国医学信息学协会（American Medical Informatics Association）博士论文一等奖，国际顶级医学影像会议（MICCAI）青年学者成就奖（Young Scientist Award），医学影像分析顶级期刊（Medical Image Analysis）最佳论文奖（Elsevier-MedIA Best Paper Award），入选斯坦福大学发布的2022全球前2%科学家榜单。