VALSE Webinar 2024-25期 总第360期 神经成像及其数据处理与分析

报告嘉宾：徐国平 (哈佛大学)

报告题目：“高效”医学图像分析：进展和挑战

报告嘉宾：张续红 (印第安纳大学)

报告题目：Profiling, Diagnosis , and Disease Progression Analysis with AI Enhancement

报告嘉宾：徐国平 (哈佛大学)

报告时间：2024年9月4日 (星期三)晚上20:00 (北京时间)

报告题目：“高效”医学图像分析：进展和挑战

报告人简介：

徐国平，华中科技大学博士，哈佛医学院在职博士后。研究兴趣包括图像分割，医学图像分析，多模态图像融合与生成等。发表学术论文约30篇。担任IEEE Transactions on Medical Imaging (TMI),IEEE Journal of Biomedical and Health Informatics (JBHI)，Pattern Recognition (PR)、Physics in Medicine & Biology (PMB)等多个国际期刊审稿人，担任国际学术会议International Conference on Intelligent Medicine and Image Processing (IMIP2022,2024) Technical Program Committee member。

报告摘要：

智能大模型在图像生成、图像分析等任务中取得了巨大的进展。但是由于其训练成本大、训练周期长、推理计算量大，限制了其在医学图像分析中的探索和应用。本次报告围绕如何设计“快”与“好”的深度神经网络模型，分享我们在经颅磁刺激电场快速预测和神经网络中高效特征采样的工作；在此基础上将介绍“高效”深度神经网络模型设计的四个通用原则和相关代表性工作；最后分享医学图像分析中“高效”模型研究目前存在的两个主要问题。

参考文献：

[1] Development of Skip Connection in Deep Neural Networks for Computer Vision and Medical Image Analysis: A Survey. arXiv, 2024.

[2] Xu G, Liao W, Zhang X, et al. Haar wavelet downsampling: A simple but effective downsampling module for semantic segmentation[J]. Pattern Recognition, 2023.

[3] Xu G, Rathi Y, Camprodon J A, et al. Rapid whole-brain electric field mapping in transcranial magnetic stimulation using deep learning[J]. Plos one, 2021.

[4] Wu X, Li M, Cui X, et al. Deep multimodal learning for lymph node metastasis prediction of primary thyroid cancer[J]. Physics in Medicine & Biology, 2022.

[5] Wu X, Jiang Y, Xing H, et al. ULS4US: universal lesion segmentation framework for 2D ultrasound images[J]. Physics in Medicine & Biology, 2023.

[6] Leng X, Wang X, Yue W, et al. Structural Tensor and Frequency Guided Semi-Supervised Segmentation for Medical Images[J]. Medical Physics, 2024.

报告嘉宾：张续红 (印第安纳大学)

报告时间：2024年9月4日 (星期三)晚上20:30 (北京时间)

报告题目：Profiling, Diagnosis, and Disease Progression Analysis with AI Enhancement

报告人简介：

张续红，美国印第安纳大学布卢明顿分校计算机系助理教授。加州大学尔湾分校博士，科罗拉多大学医学院博士后。主要研究方向包括计算方法，深度学习，大规模模型，以及它们在医疗诊断和精准医学上的应用。主持美国国立卫生研究院以及美国自然科学基金项目。研究成果发表在IEEE Transactions on Medical Imaging, IEEE Access, Journal of the Association for Information Science and Technology, JCO Clinical Cancer Informatics, JMIR mHealth and uHealth 等期刊，以及ISBI, CIKM, BI, ICIBM, ICA, PerCom 等会议上。同时担任美国自然科学基金项目，Nature Machine Intelligence, IEEE Transactions on Pattern Analysis and Machine Intelligence, Machine intelligence Research, Quantitatice Biology, IEEE International Symposium on Biomedical Imaging等期刊及会议审稿人。

报告摘要：

本报告机遇介绍深度学习是如何在不同的应用场景中对于医学以及医疗图像进行分析以及预测，使得精准医疗成为可能并且加深我们对于复杂生物地层机制的了解。本报告从三个层面进行介绍，第一是深度学习如何加强空转的基因表达数据，是的这项最新的技术能够得到更多的基因表达；第二是深度学习如何对于病理图像进行精准的癌症细胞识别，而精准的癌症细胞识别对于医疗诊断至关重要；第三是深度学习如何在MRI图像中能够准确的讲胰腺分割出来并计算体积，这些信息能够对于理解胰腺炎的进度提供至关重要的信息。

主持人：隋尧 (北京大学)

主持人简介：

隋尧，北京大学健康医疗大数据国家研究院、北京大学人工智能研究院、北京大学医学部医学技术研究院，助理教授、博士生导师。清华大学电子工程系获博士学位，曾任哈佛大学医学院放射学系讲师、哈佛大学附属波士顿儿童医院计算放射学实验室科学家。目前科研工作基于物理、软件工程、人工智能、神经成像的跨学科专业背景，面向脑认知原理研究与临床脑疾病诊治的科学目标，运用机器学习与计算视觉技术解决医学成像中的挑战性问题。担任医学成像领域顶级国际会议 MICCAI 领域主席。

特别鸣谢本次Webinar主要组织者：

主办AC：隋尧 (北京大学)

协办AC：雷柏英 (深圳大学)