报告题目：全面细致医学图像分割模型的性能评估

报告摘要

近年来，医学图像分割模型在深度学习方法的推动下取得了巨大的进步。医学图像分割问题是否已经解决的足够好？剩下的是否只是获取更多数据的问题？性能提升似乎逐渐饱和，怎样才算是一个更好更可用的医学图像分割模型？对模型性能的评估，是判断一个模型是否可以临床使用，比较多个模型，以及指导设计训练新模型的重要依据与参考。更好的模型性能评估方法可以帮助医学图像分割更健壮的发展。例如，注重预测可靠性的性能评估方法可以更好的支持可靠稳健模型的研究，注重可解释性的性能评估方法可以更好的支持可解释模型的研究。

在这个报告中，我将介绍一个新的关于医学图像分割模型性能评估的方法：“Usable Region Estimate (URE)" ，它整合了（1）模型自信值准度与（2）分割预测精度，这两个性能指标。URE 可以同时评价模型预测自信值准度与分割预测正确度；可以提供更全面更细致的模型性能评估；可以帮助更好地比较，选择与使用模型。除了介绍这个方法，我还将介绍一些相关方法与可能的应用。希望通过更全面细致的模型性能评估，我们可以进一步推动医学图像分割模型更可靠，更稳健，更高效的落地使用。

嘉宾简介

张轶哲，博士，南京理工大学副教授。博士毕业与美国圣母大学，期间主要从事生物医学图像分割的研究工作。加入南理工前他是美国高通人工智能研究所研究员，从事高效视频分割的研究工作。他参与发表四十余篇期刊与会议论文，其中包括医学图像分割问题中的主动学习，半监督对抗学习，模型设计，训练方法等研究。 作为第一作者（含共一）发表论文十余篇（包括MICCAI, IEEE TMI, BIBM, ICCV, AAAI, WACV等）。作为主要核心成员参与的生物影像建模与分析工作获美国科学院授予的二零一七年度Cozzarelli Prize。

特别感谢本次Webinar主要组织者：

周涛（南京理工大学）