20170419-07 史颖欢：非独立同分布条件下的学习方法及其在医学图像分析中的应用 ... . ...

报告人1：史颖欢 博士（南京大学计算机科学与技术系，计算机软件新技术国家重点实验室）‘

报告题目：非独立同分布条件下的学习方法及其在医学图像分析中的应用

报告时间：4月19日晚20：00（北京时间）

主持人：姬艳丽（电子科技大学）

文章信息：

[1] Yinghuan Shi, Yaozong Gao, Shu Liao, Daoqiang Zhang, Yang Gao, Dinggang Shen. Semi-Automatic Segmentation of Prostate in CT Images via Coupled Feature Representation and Spatial-Constrained Transductive Lasso, in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), vol:37(11), pp:2286-2303, 2015

[2] Yinghuan Shi, Yang Gao, Yubin Yang, Ying Zhang, Dong Wang. Multi Modal Sparse Representation based Classification for Lung Cancer Images, in IEEE Transactions on Biomedical Engineering (TBME), vol:60(10), pp:2675-2684, 2013.

[3] Yinghuan Shi, Heung-Il Suk, Yang Gao, Dinggang Shen. Joint Coupled-Feature Representation and Coupled Boosting for Alzheimer’s Disease Diagnosis, in CVPR, 2014. (oral)

[4] Yinghuan Shi, Shu Liao, Yaozong Gao, Daoqiang Zhang, Yang Gao, Dinggang Shen. Prostate Segmentation in CT Images via Spatial-Constrained Transductive Lasso (SCOTO), in CVPR, 2013.

[5] Yinghuan Shi, Wenbin Li, Yang Gao, Longbing Cao, Dinggang Shen. Beyond IID: Learning to Combine Non-IID Metrics for Vision Tasks. in AAAI, 2017.

报告摘要：

近年来，机器学习方法在医学图像分析中得到了广泛的关注。对于医学图像，由于需要满足特定的约束关系（如相邻组织间的解刨信息），不同的组织（如细胞区域、图像块）所抽象出的特征、样本、模态之间，往往很难满足常见的独立同分布假设，导致直接使用机器学习方法在一些应用中失效。报告将介绍关于非独立同分布条件下的学习方法在医学图像分析应用中的一些进展，例如非独立同分布条件下的特征表示、特征选择、样本选择、集成学习等在CT/MR图像分割、早期肺癌病理学图像识别、以及多模态脑疾病辅助诊断上的应用。

报告人简介：

史颖欢，博士，分别于2007年6月和2013年3月在南京大学计算机科学与技术系获学士和博士学位。毕业后留校任南京大学计算机软件新技术国家重点实验室讲师，研究方向为医学图像分析、机器视觉、模式识别。曾分别在澳大利亚悉尼科技大学，美国北卡罗来纳大学教堂山分校等高校进行学术访问交流。目前主持NSFC面上项目、NSFC青年基金、江苏省自然科学青年基金、参加NSFC重点基金等项目。目前在相关研究领域的期刊会议，如TPAMI、TBME、TNNLS、TCYB、Medical Physics、PR、CVPR、AAAI、ACMMM、ICDM、IPMI发表文章超过40篇。担任若干国际会议（如AAAI、IJCAI）的程序委员，若干国际期刊（如TIP、TMI、NIPS、AAAI、IJCAI）的审稿人，和NSFC基金评审人。担任2015，2016，2017年MICCAI-MLMI专题研讨会的组委会共同主席，担任2015，2016年度中国机器学习及其应用研讨会（MLA）的组委会共同主席，合作编著Springer会议论文集2部，以南大第一参与人身份获得2015年度军队医疗成果奖，入选中国科协青年人才托举工程。