报告题目：医学影像分析中的深度学习与专家标注

报告摘要

深度学习算法不仅可以将许多计算机辅助诊断 (CAD) 系统提升到超人类水平，而且还有希望处理跨疾病、跨模态的复杂诊断任务。毫无疑问，深度学习算法对医学成像的影响将是深远的，将来大多数医学图像，在到达放射科医生之前都会由计算机进行初步分析。许多研究表明，在涉及皮肤科，放射科，眼科和病理学的复杂诊断中，深度学习算法可以取得令人惊叹的结果。但是，开发这样的CAD系统受到一个很大的障碍：训练和测试深度学习算法需要大规模的，高质量的带标注的数据集。即便部分研究声称可以通过少量专家标注（甚至无标注）来训练深度学习模型，这些方法依旧需要大量的标注数据来定量地测试性能。因此，专家标注是医学影像分析中一个避不开的重要话题。本次分享将围绕一个关键问题展开：没有大量专家标注，医学影像如何深度学习？为此，本报告将具体阐述三个方面的工作：(1) 从人类专家那里有效地获得必要标注；(2) 设计算法使得现有的标注效用最大化；(3) 直接从未标注的图像中学习视觉知识。

嘉宾简介

周纵苇，现任约翰霍普金斯大学博士后研究员，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。近年来在CVPR，MICCAI，Medical Image Analysis，IEEE Transactions on Medical Imaging等会议和期刊中发表多篇论文，被授予国际顶级医学影像会议（MICCAI）青年学者成就奖（Young Scientist Award），关于”Models Genesis”的论文获得了医学影像分析顶级期刊（Medical Image Analysis）的最佳论文奖（Elsevier-MedIA Best Paper Award）。

特别感谢本次Webinar主要组织者：

石争浩（西安理工大学）