设为首页收藏本站

VALSE

VALSE 首页 活动通知 热点话题Panel 查看内容

20160518-15 Valse专题报告+Panel讨论:医学图像专题

2016-5-13 15:07| 发布者: 程一-计算所| 查看: 7621| 评论: 0

摘要: 1. 专题报告(40min/person*2=80min;Panel后集中提问)报告嘉宾1:徐军(南京信息工程大学)报告时间:2016年5月18日(周三)晚20:00(北京时间)报告类型:领域专家主题报告+专题Panel: 医学图像专题主持人:吴毅 ...
1. 专题报告(40min/person*2=80min;Panel后集中提问)

报告嘉宾1:徐军(南京信息工程大学)

报告时间:2016年5月18日(周三)晚20:00(北京时间)

报告类型:领域专家主题报告+专题Panel: 医学图像专题

主持人:吴毅(南京信息工程大学)


报告题目:Histologic Image Analysis: Towards Computer-aided Diagnosis and Prognosis on Cancers (面向癌症计算机辅助诊断与预后的组织病理图像分析)


报告背景及摘要:

背景:基于病理组织学图像分析的诊断是几乎所有类型癌症的“金标准”,病理组织学分析与诊断结果直接决定了接下来的治疗方案的确定,因此如果由于各种主观和客观原因导致的病理组织学分析不准确将导致非常严重的“过度治疗”和“治疗不当”,会给患者带来严重的不良后果。目前在临床上的病理组织学诊断和预后基本上都是依赖于显微镜人工分析,由于组织病理图像的高度复杂性,因此病理医生分析高分辨率全扫描图像的准确性不高。加上人工分析的具有较强的主观性,因此不同的病理专家之间由于各种经验的差异,会导致分析的结论上有较大的不一致性。近年来,随着计算机储存能力和计算能力的快速增强以及新的高通量的图像分析与机器学习算法(比如深度学习)的研究与开发,使得运用计算机辅助分析高分辨率病理图像成为了可能。病理图像具有高度的复杂性,高分辨率病理图像尺寸大,病理组织结构、类型的复杂性和形态的差异性大,因此运用计算机自动分析高分辨率病理图像具有较大的难度,这些使得病理图像的分析成为一个极具挑战性的研究课题。计算机辅助病理图像分析不仅能够避免人的主观因素带来的影响,而且能够为医生提供客观、定量的分析结果。此外,还可以大大降低病理医生的工作量。比如通过计算机辅助诊断简单病例或自动检测容易判断的区域,在减轻医生的工作负担的同时为病理医生节约宝贵的时间用于更加困难的病例,因此具有很多的优势。

病理图像分析是自2010年前后开始兴起的一个研究领域。我们团队自2008年就开始这个领域的研究,是较早开展这个领域研究的团队之一。我主要讨论的内容如下:1)我国癌症发病率及病理诊断的严峻现状;组织病理图像分析在临床癌症诊断与预后中的地位和作用;2)组织切片的制作流程、H&E与IHC染色原理,数字化病理的必要性,运用计算机辅助组织病理图像分析所面临的挑战性问题;3)我们在组织病理图像分析及癌症计算机辅助诊断与预后领域的工作概括及该领域未来研究的展望。


报告人简介:

徐军,男,2007年6月毕业于浙江大学控制科学与工程系,获博士学位。2008年8月至2011年7月在美国Rutgers大学生物医学工程系任博士后研究人员和助理研究员,2014年6月至2014年9月在美国凯斯西储大学(Case Western Reserve University)生物医学工程系任访问助理教授(Visiting Assistant Professor)。2011年8月至今在南京信息工程大学信息与控制学院担任教授。主要研究方向为计算机视觉、机器学习;癌症的计算机辅助检测、诊断与预后;高分辨率、多光谱医学图像分析;基于深度学习及大数据驱动的医学数据分析。主要研究成果发表在IEEE TMI、MeDIA、Medical Physics、 IEEE TNN、IEEE TBME、IEEE JBHI、IEEE TCAS-1等国际期刊上。目前主持国家自然科学基金面上项目一项,作为主研人员参与了美国国立健康研究所、国立癌症研究所、美国国防部项目多项。


参考文献:

1.  Jun Xu, Lei Xiang, Qingshan Liu, Hannah Gilmore, Jianzhong Wu, Jinghai Tang, and Anant Madabhushi,"Stacked Sparse Autoencoder (SSAE) for Nuclei Detection on Breast Cancer Histopathology images", IEEE Trans. on Medical Imaging, vol. 35, issue 1, pp. 119-130, 2016.

2. Jun Xu, Andrew Janowczyk, Sharat Chandran, and Anant Madabhushi, “A High-throughput Active Contour Scheme for Segmentation of Histopathological Imagery”, Medical Image Analysis, 5(6):851-862, 2011.

3. Jun Xu, Lei Xiang, Guanhao Wang, Shridar Ganesan, Michael Feldman, Natalie NC Shih, Hannah Gilmore, and Anant Madabhushi, “Sparse Non-negative Matrix Factorization (SNMF) based Color Unmixing for Breast Histopathological Image Analysis”, Computerized Medical Imaging and Graphics, vol. 46, pp.20-29, 2015.

4. Jun Xu, Xiaofei Luo, Guanhao Wang, Hannah Gilmore, and Anant Madabhushi,"A Deep Convolutional Neural Network for Segmenting and Classifying Epithelial and Stromal Regions in Histopathological Images", Neurocomputing, 2016.

5. Xiaofan Zhang, Hang Dou, Tao Ju, Jun Xu, Shaoting Zhang, “Fusing Heterogeneous Features from Stacked Sparse Autoencoder for Histopathological Image Analysis”, IEEE Journal of Biomedical and Health Informatics, 2016.

报告材料[Slides]



报告嘉宾2:蔡蕴亮, 美国达特茅斯学院 Dartmouth College
报告时间:2016年5月18日(周三)晚20:40(北京时间)
报告类型:领域专家主题报告+专题Panel: 医学图像专题
主持人: 何晖光(自动化所)

报告题目:Spine Recognition: from Medical Image Analysis to Image-guided Spinal Surgery

报告摘要:
Spine is one of the most important organ in human body which supports our weight, holds us upright and protects nerves connecting the brain and body. Despite the importance, the diagnosis of spinal problems and the conduct of spinal surgeries still rely on exhaustive manual measurements. In this talk, I will show how modern computer vision techniques can make great impact and revolutionize this field. We adopt the idea of deep learning, deformable model, and algebraic group theory to build up the computational spine anatomic model. By explicit matching the model with spine image data, we are able to perform automatic vertebra labeling, identify vertebra fraction, measure spondylolysis (vertebra slide), and plan spinal surgery. Our spine model also has broad applications in image-guided open spinal surgery. By iteratively warping and matching the spine model and the pre-operative volumetric image data (i.e., CT), we are able to continuously generate the intra-operative spine images which provide accurate image guidance for open spinal surgery such as spine fusion (bone correction) and laminectomy (bone removal). Our methods significantly improve the diagnosis process in accuracy and robustness, and largely reduce the risk of neural damage in surgery.  

报告人简介:
蔡蕴亮博士现爲美国达特茅斯学院(Dartmouth College)工程学院副研究员(Research Associate),主要研究医学图像分析与图像引导手术治疗。蔡博士本科和硕士毕业于华南理工大学计算机系,2013年于香港理工大学电子计算学系获博士学位。2013到2015年间曾爲加拿大西安大略大学 (Univ. of Western Ontario) 医学院博士後研究员,主力研究多图像模态下的脊骨与心脏图像分析。蔡博士曾获CVPR2013举办的Symmetry Detection竞赛第一名, 近年研究成果发表于IEEE TMI, IEEE TIP, MICCAI,CVPR等主要期刊和会议。其参与开发的脊骨图像引导手术系统已成功通过首批活体动物测试,将进入临床研究阶段。

参考文献:
1. Yunliang Cai, Said Osman, Manas Sharma, Mark Landis, and Shuo Li , “Multi-Modality Vertebra Recognition in Arbitrary Views using 3D Deformable Hierarchical Model”, IEEE Transactions on Medical Imaging, Volume 34, Issue 8, 2015
2. Yunliang Cai, Mousumi Bhaduri, David T.Laidley, Anat Kornecki, Olga Shmuilovich, and Shuo Li, “Multi-Modal Vertebrae Recognition using Transformed Deep Convolution Network”,Computerized Medical Imaging and Graphics, Volume 51, July 2016, Pages 11–19, 2016
3. Yunliang Cai, Jonathan D. Olsen, Xiaoyao Fan, Linton T. Evans, Keith D. Paulsen, David W. Roberts, Sohail K. Mirza, S. Scott Lollis, and Songbai Ji, “Automatic Geometric Rectification for Patient Registration in Image-guided Spinal Surgery”,In Proc. of SPIE Medical Imaging, San Diego CA, USA, 2016
报告材料[Slides]


panel嘉宾1:张道强(南京航空航天大学)

嘉宾简介:张道强,工学博士,南京航空航天大学教授,博士生导师。分别于1999年和2004年在南京航空航天大学计算机科学与工程系获学士和博士学位,2006年在南京大学计算机软件新技术国家重点实验室博士后出站。2004年起在南京航空航天大学任教,2008年破格晋升为教授,主要研究方向为机器学习和模式识别技术及应用。2010年至2012年在美国北卡罗莱纳大学教堂山分校(UNC-Chapel Hill)从事脑影像分析及脑疾病早期诊断研究。先后主持多项国家和省部级基金,已在国内外核心期刊和会议上发表100余篇论文,论文累计被他引4000余次(Google Scholar),研究成果获得多次国际奖项,包括国际期刊《Pattern Recognition》 2006-2010年高引用论文奖、国际会议PRICAI'06及STMI'12最佳论文奖等。目前担任《PLOS ONE》等期刊编委,多家学术期刊的审稿专家及多个国际会议的程序委员会委员。任中国人工智能学会机器学习专委会常委、中国计算机学会人工智能与模式识别专委会委员等职务。曾获2006年全国优秀博士学位论文提名奖,2012年霍英东基金会第十三届高等院校青年教师奖,2013年江苏省杰出青年基金及2014年国家自然科学基金优秀青年基金。2014年入选Elsevier中国高被引学者榜单(计算机科学)


panel嘉宾2:吕乐(NIH) 

嘉宾简介:Le Lu is a Staff Scientist at Department of Radiology and Imaging Sciences, National Institutes of Health Clinical Center (NIH-CC) since January 2013. He has been leading three technical thrusts at NIH-CC on employing deep learning (CNN, RNN) for high precision and large scale diagnostic medical image informatics. He is also an adjunct research faculty at Department of Computer Science, the Johns Hopkins University. Before NIH, he had 6+ years industrial R&D experience at Siemens Corporate Research and Siemens Medical Solutions and his last post was a Senior Staff Scientist. His Siemens research efforts resulted in 10+ key product components for Siemens Syngo.Via PEV-Colon and Lung Computer-aided Diagnosis software, besides 26 inventions, 12 patents and 20+ scientific publications. Le Lu finished his Ph.D. in Computer Science, from the Johns Hopkins University in 2006. His research interests on computer vision was developed as a graduate student at Institute of Automation, Chinese Academy of Sciences (1996-1999). He learned how to conduct first class research during his internships at Microsoft Research Asia (mentors: Harry Shum, Zhengyou Zhang and Long Quan) in 1999-2001; and Microsoft Research Redmond (mentor: Kentaro Toyama) in 2004 summer. He is the author or co-author of 70+ journal and conference papers, many appeared in MICCAI/TMI/MedIA/CVPR/ICCV/ECCV/NIPS/ICML/CIKM/ACCV. He has mentored or advised 20 interns, postbac and postdoc young researchers. Details are available at http://www.cs.jhu.edu/~lelu


2.    Panel讨论(30 min;主持人:何晖光)

嘉宾:徐军,蔡蕴亮,张道强,吕乐


3.    群友提问(15-20 min )


参加VALSE Webinar活动须知:
1、VALSE Webinar活动全部网上依托VALSE QQ群的“群视频”功能在线进行,活动时讲者会上传PPT或共享屏幕,听众可以看到Slides,听到讲者的语音,并通过文字或语音与讲者交互;
2、为参加活动,需加入VALSE QQ群,目前A、B、C群已满,除讲者等嘉宾外,只能申请加入VALSE D群,群号:481109645 。申请加入时需验证姓名、单位和身份;
3、为参加活动,请下载安装Windows QQ最新版,群视频不支持非Windows的系统,如Mac,Linux等,手机QQ可以听语音,但不能看视频slides;
4、在活动开始前10分钟左右,主持人会开启群视频,并发送邀请各群群友加入的链接,参加者直接点击进入即可;
5、活动过程中,请勿送花、棒棒糖等道具,也不要说无关话语,以免影响活动正常进行;
6、活动过程中,如出现听不到或看不到视频等问题,建议退出再重新进入,一般都能解决问题;
7、建议务必在速度较快的网络上参加活动,优先采用有线网络连接。

更多信息请见valser.org

最新评论

Archiver|手机版|小黑屋|Vision And Learning SEminar    

GMT+8, 2020-8-3 22:31 , Processed in 0.030956 second(s), 20 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

返回顶部