设为首页收藏本站

VALSE

VALSE 首页 活动通知 查看内容

20200415-09 机器学习 vs 压缩感知:核磁共振成像与重建

2020-4-9 15:23| 发布者: 程一-计算所| 查看: 1689| 评论: 0

摘要: 报告时间:2020年04月15日(星期三)晚上20:00(北京时间)主题:机器学习 vs 压缩感知:核磁共振成像与重建报告主持人:杨欣(华中科技大学)报告嘉宾:王珊珊(中科院深圳先进研究院)报告题目:Deep learning for ...

报告时间:2020年04月15日(星期三)晚上20:00(北京时间)

主题:机器学习 vs 压缩感知:核磁共振成像与重建

报告主持人:杨欣(华中科技大学)


报告嘉宾:王珊珊(中科院深圳先进研究院)

报告题目:Deep learning for MR imaging and analysis


报告嘉宾:文碧汉(新加坡南洋理工大学)

报告题目:Machine learning for MR imaging compressed sensing


Panel议题:

1. 磁共振成像的重建问题其实是一个逆问题重建,与自然图像去噪等逆问题相比,难点与区分在哪里?

2. 压缩感知稀疏重建,目前已商业化,它的下一步发展空间在哪里?对于深度学习磁共振成像的商业化有什么经验和启示?

3. 深度学习目前基于全监督学习,弱监督学习或无监督学习也有些文章出现,大家对于这些技术与趋势有什么看法?

4. 传统model-based的压缩感知与最新的深度学习手段比较,有何优势和缺点?

5. 图像重建的质量评估,以及如何和其他复杂的视觉任务已经结合?

6. 能否有效地融合机器学习与压缩感知用于磁共振重建(例如通过机器学习方式获取压缩感知重建的正则化参数)?

7. 基于原始数据的机器学习的优缺点与挑战?

8. 机器学习用于磁共振重建的现状及未来值得研究的方向?


Panel嘉宾:

王珊珊(中科院深圳先进研究院),文碧汉(新加坡南洋理工大学),梁栋(中科院深圳先进研究院),张志勇(上海交通大学)


*欢迎大家在下方留言提出主题相关问题,主持人和panel嘉宾会从中选择若干热度高的问题加入panel议题!

报告嘉宾:王珊珊(中科院深圳先进研究院)

报告时间:2020年04月15日(星期三)晚上20:00(北京时间)

报告题目:Deep learning for MR imaging and analysis


报告人简介:

王珊珊,双博士,中国科学院深圳先进技术研究院副研究员,博士生导师。2014年获信息技术与生物医学工程双博士学位,2018海外华人磁共振年会OCSMRM杰出研究奖(Outstanding Research Award)获得者,澳大利亚John Makepeace Bennett最佳博士论文奖提名者,国际医学磁共振协会Web Editorial Board委员会委员,中国图形图像学会成像探测与感知专委会委员,中国信息协会医疗卫生和健康产业分会医学人工智能学组委员,IEEE Senior member, OCSMRM Life Member, Gordon Plenary Lecturer,孔雀计划海外高层次引进人才,中科院青促会会员。研究方向为:快速医学成像、机器学习及影像组学。迄今为止发表英文学术论文70多篇,其中国际SCI期刊论文34篇,发明授权专利8项。发表的一作快速磁共振成像论文曾被领域内知名SCI期刊“Physics in Medicine and Biology”选为“Featured Article”及2016年度“Research Highlight”。快速医学成像获广东省科技发明一等奖。为国际医学磁共振年会ISMRM 2018-2020年度基于机器/深度学习磁共振成像/分析科学论坛的分会主席, 以及深度学习医学成像(MIDL Montreal, Canada)的地区主席, 曾4次获得ISMRM E.K Zavoisky奖金,为国际SCI期刊Biomedical Signal Processing and Control(SCI,JCR-2)的副主编;多个国际知名SCI期刊(如IEEE TMI、IEEE TIP、IEEE TSP、IEEE TIE、MRM, Signal Processing等)及国际知名会议(如MICCAI, CVPR, ISBI)的受邀审稿人, 曾获MRM和signal processing审稿杰出贡献奖。目前在主持国家自然科学基金面上青年及省重点市级9项,曾受邀到美国哈佛大学、加拿大魁北克大学、ISMRM 及Gordon conference给大会/教育讲座及报告。


个人主页:

English:

http://www.escience.cn/people/ShanshanWang/index.html

中文:

http://lauterbur.siat.ac.cn/?mod=team&act=con&id=419


报告摘要:

Lately, deep learning, as an important branch of machine learning, has attracted unprecedented public attention, showing great potential for diverse medical imaging tasks. Especially, in 2016, we incorporated deep learning into the fast MR imaging task for the first time, which draws valuable prior knowledge from big datasets to facilitate accurate MR image reconstruction from limited measurements. Furthermore, the automatic analysis of MR images is always fascinating. This talk will briefly introduce some of our recent publications which include complex convolution based network designs for parallel imaging and dynamic imaging, and the automatic segmentation and classification of MR images. 


参考文献:

[1] Shanshan Wang, Leslie Ying, Dong Liang et al, Accelerating Magnetic Resonance Imaging Via Deep Learning, 13th ISBI , Prague, Czech Republic, 2016, oral.

[2] Yanxia Chen, Shanshan Wang*, et al Model-based Convolutional De-Aliasing Network Learning for Parallel MR Imaging. 22nd MICCAI, 2019, oral.

[3] Shanshan Wang, Huitao Chen, Dong Liang, et al, DeepcomplexMRI: Exploiting deep residual network for fast parallel MR imaging with complex convolution, Magnetic resonance imaging, 2020 .

[4] Shanshan Wang, Dong Liang, et al. DIMENSION: Dynamic MR Imaging with Both K-space and Spatial Prior Knowledge Obtained via Multi-Supervised Network Training, NMR in Biomedicine: 2019.

[5] Yongjin Zhou, Weijian Huang, Shanshan Wang*, et al., D-UNet: a dimension-fusion U shape network for chronic stroke lesion segmentation, IEEE/ACM Transactions on Computational Biology and Bioinformatics 2019.

[6] Xiran Jiang, Shanshan Wang*, et al., MRI Based Radiomics Approach with Deep Learning for Prediction of Vessel Invasion in Early-Stage Cervical Cancer,  IEEE/ACM Transactions on Computational Biology and Bioinformatics 2019.

报告嘉宾:文碧汉(新加坡南洋理工大学)

报告时间:2020年04月15日(星期三)晚上20:30(北京时间)

报告题目:机器学习在压缩感知核磁共振成像的应用:从模型驱动到深度学习


报告人简介:

文碧汉 (Bihan Wen) 现在新加坡南洋理工大学,电子电气工程学院,现任南洋助理教授,LIV实验室主管,博士生导师。他于2012年从南洋理工大学获得学士学位;分别于2015年和2018年从美国伊利诺伊香槟大学(University of Illinois at Urbana-Champaign, USA),电子与计算机工程学院,获得硕士与博士学位,导师是Yoram Bresler(UIUC Founder Professor, IEEE Life Fellow)。他在校学习期间获得过2016 Yee Fellowship,2014 Carl Storm Fellowship,UIUC 2013 Harold L. Olesen Best Teaching Award提名,新加坡2012专业工程师委员会金牌(Singapore PEB Gold Medal),和南大电子电气学院2012年最优秀学生奖。在2019年加入南洋理工大学之前,他先后供职于美国硅谷的杜比实验室和依图科技的海外研究部门,任职算法研究员。

文碧汉是现任IEEE Computational Imaging (CI) Technical Committee的选举委员。他长期担任ICIP和ICASSP会议的领域主席,以及其他主流人工智能和信号处理会议和刊物的审稿人。他组织过ICCV 2019 LCI workshop,以及担任IEEE MIPR 2019的demo项目主席。他的工作获得过ICME 2018 毕业论文比赛第一名,UIUC CSLSC 2018最佳学生论文,以及 ICIP 2014 10%最佳论文。他的科研兴趣包括机器学习,图像与视频处理,计算成像,计算机视觉,和大数据应用。


个人主页:

www.bihanwen.com


报告摘要:

Magnetic resonance imaging (MRI) is widely used in clinical practice, but it has been traditionally limited by its slow data acquisition. Recent advances in compressed sensing (CS) techniques for MRI reduce acquisition time while maintaining high image quality. Whereas classical CS assumes the images are sparse in known analytical dictionaries or transform domains, methods using learned image models for reconstruction have become popular. The model could be pre-learned from datasets, or learned simultaneously with the reconstruction, i.e., blind CS (BCS). Besides the well-known synthesis dictionary model, recent advances in transform learning (TL) provide an efficient alternative framework for sparse modelling in MRI. TL-based methods enjoy numerous advantages including exact sparse coding, transform update, and clustering solutions, cheap computation, and convergence guarantees, and provide high-quality results in MRI compared to popular competing methods. In this talk, I will give a review a review of some recent works in MRI reconstruction from limited data, with focus on the recent TL-based methods. I will give a short tutorial on how to form a unified framework for incorporating various TL-based models is presented. I will discuss the connections between transform learning and convolutional or filter bank models and corresponding multi-layer extensions, with connections to deep learning. 


参考文献:

[1] Bihan Wen, Saiprasad Ravishankar, Luke Pfister, and Yoram Bresler. “Transform Learning for Magnetic Resonance Image Reconstruction: From Model-based Learning to Building Neural Networks", IEEE Signal Processing Magazine (SPM), 37 (1), 41-53, 2020. [Arxiv]

[2] Bihan Wen, Yanjun Li, Yuqi Li, and Yoram Bresler. “A Set-Theoretic Study of the Relationships of Image Models and Priors for Restoration Problems”, Preprint: [ arXiv:2003.12985]

[3] Saiprasad Ravishankar and Yoram Bresler. “Learning sparsifying transforms”, IEEE Transactions on Signal Processing (TSP), 61 (5), 1072-1086, 2012.

Panel嘉宾:梁栋(中科院深圳先进研究院)


嘉宾简介:

梁栋,博士、中国科学院深圳先进技术研究院研究员、医学人工智能研究中心主任兼劳特伯生物医学成像研究中心副主任。主要研究方向为压缩感知、机器学习以及其在生物医学成像中的应用研究。主持国家自然科学基金、国家重点研发计划课题、广东省重点研发专项等多个科研项目。发表SCI期刊论文60余篇,授权发明专利32项(含两项美国专利),其中两项专利转让我国医学影像龙头企业。现担任国家地方联合高端医学影像技术与装备工程实验室常务副主任、中国科学院医学成像技术与装备工程实验室主任、广东省生物医学成像工程技术研究中心主任;担任《IEEE Transactions on Medical Imaging》 Associate Editor、《Magnetic Resonance in Medicine》编委、亚洲医学磁共振学会(ASMRM)理事和中国生物医学工程学会青年工作委员会副主任委员;获2018年度王天眷波谱学奖、2018年度中国专利优秀奖(第一发明人)、2018年度深圳市技术发明一等奖(第一完成人)、2018年度广东省技术发明一等奖(第二完成人)、2019年度中国生物医学工程学会黄家驷生物医学工程科技进步一等奖(第二完成人)。


个人主页:

http://www.escience.cn/people/dongliangEN/index.html

研究中心网站:

http://medai.siat.ac.cn/index.php/

Panel嘉宾:张志勇(上海交通大学)


嘉宾简介:

张志勇,上海交通大学生物医学工程学院,长聘教轨副教授、博士生导师。分别于2010年2015年获得厦门大学电子科学系学士和博士学位,师从陈忠教授。2013年至2015年博士期间联合培养于以色列魏茨曼科学研究院。随后继续在魏茨曼科学研究院Lucio Frydman教授课题组从事博士后研究,期间获得以色列政府VATAT Fellowship, Dean Fellowship和 Koshland Award。2017年至2019年加入加州大学伯克利分校电子工程与计算机科学系Michael (Miki) Lustig教授课题组从事博士后研究。目前已发表学术期刊论文30余篇,会议论文20余篇。2016年和2018年两次提名国际医学磁共振学会(ISMRM)的青年科学家奖(Young Investigator Award Finalist),2019年被评为该学会青年会士(ISMRM Junior Fellow)。2019年加入上海交通大学生物医学工程学院。长期从事磁共振序列设计及图像重建算法开发,推动磁共振新方法在临床中的运用。


个人主页:

http://bme.sjtu.edu.cn/Web/FacultyDetail/615

主持人:杨欣(华中科技大学)


主持人简介:

杨欣,女,2013年获得加州大学圣塔芭芭拉分校博士学位,现任华中科技大学电子信息与通信学院教授。杨欣博士主要从事计算机视觉与医学影像分析领域研究工作,已在国际权威期刊及学术会议上发表学术论文70余篇,其中一作/通信作者在国际权威期刊(TPAMI、IJCV、TMI、MIA等)和国际顶级会议(CVPR、ICCV、MM、MICCAI)上发表论文共46篇,授权美国发明专利3项,出版英文书籍章节2部。她主持国家自然科学基金2项,校企联合实验室1项及多项省市企业项目。她获得2012年增强现实领域顶级学术会议ISMAR最佳论文提名(3%),2017年3551长期创新人才,2019年ACM武汉新星奖,2019年湖北省自然科学基金创新群体核心成员。担任ACM MM’17, MM18, MICCAI’19, MICCAI’20等权威国际会议领域主席, 及SCI期刊Multimedia System副主编。


个人主页:

https://sites.google.com/view/xinyang/home


20-09期VALSE在线学术报告参与方式:


长按或扫描下方二维码,关注“VALSE”微信公众号(valse_wechat),后台回复“09期”,获取直播地址。



特别鸣谢本次Webinar主要组织者:

主办AC:杨欣(华中科技大学)

协办AC:文碧汉(新加坡南洋理工大学)


VALSE Webinar改版说明:

自2019年1月起,VALSE Webinar改革活动形式,由过去每次一个讲者的方式改为两种可能的形式:

1)Webinar专题研讨:每次活动有一个研讨主题,先邀请两位主题相关的优秀讲者做专题报告(每人30分钟),随后邀请额外的2~3位嘉宾共同就研讨主题进行讨论(30分钟)。

2)Webinar特邀报告:每次活动邀请一位资深专家主讲,就其在自己熟悉领域的科研工作进行系统深入的介绍,报告时间50分钟,主持人与主讲人互动10分钟,自由问答10分钟。


活动参与方式:

1、VALSE Webinar活动依托在线直播平台进行,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,并通过聊天功能与讲者交互;

2、为参加活动,请关注VALSE微信公众号:valse_wechat 或加入VALSE QQ群(目前A、B、C、D、E、F、G、H、I、J、K群已满,除讲者等嘉宾外,只能申请加入VALSE M群,群号:531846386);

*注:申请加入VALSE QQ群时需验证姓名、单位和身份,缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M。

3、在活动开始前5分钟左右,讲者会开启直播,听众点击直播链接即可参加活动,支持安装Windows系统的电脑、MAC电脑、手机等设备;

4、活动过程中,请不要说无关话语,以免影响活动正常进行;

5、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;

6、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;

7、VALSE微信公众号会在每周四发布下一周Webinar报告的通知及直播链接。

8、Webinar报告的PPT(经讲者允许后),会在VALSE官网每期报告通知的最下方更新[slides]

9、Webinar报告的视频(经讲者允许后),会更新在VALSE爱奇艺空间,请在爱奇艺关注Valse Webinar进行观看。


王珊珊 [slides]

文碧汉 [slides]

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

GMT+8, 2020-7-11 20:06 , Processed in 0.029475 second(s), 18 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

返回顶部