【预告】『医学影像与人工智能』讲习班开始报名

医学成像的发展是当前尖端科技的一个侧面,是物理、数学、电子技术、计算机和医学等多个学科的综合。同时,以深度学习为代表的人工智能技术近年来引人瞩目,为医学成像、图像分析提供了新的方法与手段。人工智能技术已经渗入到图像重建图像分割、图像配准、图像处理及分析等各个方面。以另一角度看,几年来,人工智能与CT成像、MRI、超声、核医学及光学成像相结合的例子层出不穷。 

第11期CSIG图像图形学科前沿讲习班(Advanced Lectures on Image and Graphics,简称IGAL)将于2019年6月15日-16日在杭州举办,本期讲习班主题为“医学影像与人工智能”,由浙江大学刘华锋教授担任学术主任,邀请医学影像与人工智能领域的知名专家作特邀报告,使学员在了解学科前沿、提高学术水平的同时,增强与国内外顶尖学者的学术交流。

主办单位

中国图象图形学学会

承办单位

中国图象图形学学会医学影像专业委员会

浙江大学现代光学仪器国家重点实验室

支持单位

马上科普教育科技有限公司

时间地点

2019年6月15日-16日

浙江大学玉泉校区-周亦卿科技大楼一楼会议室

学术主任

刘华锋

浙江大学教授

中国图象图形学学会医学影像专业委员会主任

刘华锋,浙江大学教授,曾担任医学成像香山科学会议主席,多届MICCAI程序委员会委员。获国际学术奖项5次,获得浙江省自然科学二等奖(排名1)。正在主持国家重大科研仪器项目,科技部重点研发项目,国家自然科学基金联合项目,做为负责人主持过973课题,国家自然基金面上项目等。主要研究兴趣为具有非线性、随机性、不确定性、多层次等特点的心脏系统的建模、动力学分析及PET成像提供新理论、新方法。发表论文120余篇,获授权美国专利3项,中国发明专利20余项。

特邀讲者

陈韵梅

美国佛罗里达大学终身教授

报告题目:Extra Proximal-Gradient Inspired Non-local Network for Image Reconstruction

摘要:Variational method and deep learning method are two mainstream powerful approaches to solve inverse problems in computer vision. To take advantages of advanced optimization algorithms and powerful representation ability of deep neural networks, we propose a novel deep convolutional  neural network for image reconstruction. The architecture of this network is inspired by our proposed accelerated extra proximal gradient algorithm with the incorporation of two types of prior-exploiting operations.  They are a non-local operation to exploit the inherent non-local self-similarity of the images, and a sparsity-promoting operation to learn the nonlinear transform, under which the solution is sparse. Our experimental results showed that the proposed CNN outperforms several state-of-the-art deep neural networks with similar or even less number of learnable parameters.

简介:陈韵梅,美国佛罗里达大学终身教授、杰出教授,图像处理科学家。致力于数学、图像处理机器学习等交叉学科的研究,研究领域涉及医学图像分析中的数学模型的建立与数值优化方法的发展,而且对其中潜在的数学理论进行了深入的研究。曾获中华人民共和国国家自然科学三等奖、中华人民共和国教育部科技进步一等奖,获国际发明专利9项,主持美国国家级项目20余项,发表学术论文200余篇,其中多篇具有重要影响的学术论文发表于《InventionesMathematicae》、《Communications on Pure and Application Mathematics》、《SIAM Journal on Imaging Sciences》、《SIAM Journal on Optimization》和《SIAM Journal on Applied Mathematics》等国际期刊。

卢虹冰

空军军医大学教授

报告题目:Towards radiomic prediction model for cancer screening

摘要:Tumor staging, histopathological grade and recurrence are the most important prognostic factors. Anatomic magnetic resonance imaging (MRI) techniques have shown potential to determine tumor location and invasion, while functional MRI techniques, especially the diffusion-weighted (DW) imaging and associated apparent diffusion coefficient (ADC), have exhibited capability in assessing biological behaviors such as cellularity and demonstrated their usefulness in cancer management, especially in grade assessment. In this report, a non-invasive radiomics strategy which conjuncts texture-based image signatures, like histogram and GLCM textures derived from T2 weighted MRI images and their high-order derivative maps, DW images and corresponding ADC maps, with machine learning-based classification such as a SVM classifier and deep learning techniques, has been proposed for the differentiation of muscular invasiveness and cancer grades preoperatively. Preliminary experiments with multimodal MRI datasets acquired from patients with clinicopathologically confirmed cancer (including bladder, colorectal cancer and gliomas) verify the feasibility of the proposed radiomic strategy.

简介:卢虹冰,空军军医大学生物医学工程系教授,主任,博士生导师,长期从事医学成像与智能分析研究,作为项目负责人近五年共承担国家重点研发专项、国家自然科学基金重点、国家科技支撑计划重大子课题、军队后勤科研重点项目等7项,第一完成人获陕西省科学技术一等奖1项;已在行业权威期刊Biomaterials, IEEE TMI, IEEE Trans Biomed Eng, ACS Appl Mater Interfaces, Euro Radiol等发表SCI论文70余篇,单篇最高引用近400次;获国家发明专利11项,美国专利1项,软件著作权5项;获 “国务院政府特殊津贴”、“军队优秀专业技术人才一类岗位津贴”等奖励。现任中国生物医学工程学会理事、中国图象图形学学会理事、陕西生物医学工程学会理事长等职,IEEE Trans Med Imag、《中国生物医学工程学报》等杂志编委。

厉力华

杭州电子科技大学教授

报告题目:肿瘤影像学智能化诊疗---一点回顾、进展及思考

摘要:本报告将以乳腺肿瘤为例,在三个维度上对基于影像的肿瘤智能化诊疗研究发展进行比较系统的分析和回顾,其中包括传统的计算机辅助检测与诊断方法在临床应用上的发展、以精准化为目标的影像组学/影像基因组学方法、以及基于深度学习的肿瘤智能诊疗方法等目前国际上在智能化诊疗领域的研究热点问题。

简介:厉力华(LIHUA LI),博士,教授。国家杰出青年科学基金获得者,“新世纪百千万人才工程”国家级人选,浙江省科技发展咨询委员会委员、之江实验室学术咨询委员会委员。曾在美国南佛罗里达大学工作多年,任职副教授。发表科研论文和国外著作章节200多篇(章),获授权专利20余项,其中两项美国专利被公司所采用并产业化。2012年获中国侨界贡献奖(创新人才)。现主持国家自然科学基金重点项目、国家重点研发计划项目课题、国家自然科学基金联合基金重点项目(合作)等。

陈新建

苏州大学特聘教授

报告题目:视网膜医学影像处理与分析

摘要:视网膜疾病是眼科疾病中最为严重的一种,多模态医学影像如眼底彩照、OCT等,为视网膜疾病的诊断、治疗和预防提供了关键技术支持。本报告围绕基于人工智能的视网膜疾病诊断与分析进行展开。报告将主要介绍基于深度学习的方法和基于图论的方法,及其在多种视网膜疾病的应用,如老年性黄斑病变,糖尿病性视网膜病变,青光眼等疾病上的诊断与量化分析。

简介:陈新建,苏州大学特聘教授、博导,国家青年千人计划、国家优秀青年基金获得者、青年973首席科学家。现为医学领域顶级期刊IEEE TMI、IEEE JTEHM等副主编,IEEE高级会员,中国生物医学工程青年委员会副主任委员。截至目前共发表100多篇国际顶级期刊/会议论文,申请/授权国际国内专利30余项;获得江苏省科技进步二等奖1项(2018,排名第一),中国国家科学技术进步二等奖1项,北京市科学技术奖二等奖2项和信息产业部重大技术发明奖1项。

梁栋

中国科学院深圳先进技术研究院研究员

报告题目:基于深度学习的快速磁共振成像

摘要:磁共振成像是目前医学成像技术中功能最强大,技术门槛最复杂的技术之一。然而,相对其他成像模态较为缓慢的采集速度(较长的扫描时间)制约了磁共振成像在临床上的广泛应用。借助采样样本的数量与扫描时间的正比关系,通过减少采集的数据量(稀疏采样)来缩短磁共振采集时间是快速磁共振成像领域的研究热点。本报告将重点介绍基于深度学习的快速磁共振成像领域的研究工作。

简介:梁栋博士,研究员,博导,现任中国科学院深圳先进技术研究院医工所所长助理、医学人工智能研究中心主任、劳特伯生物医学成像研究中心副主任;主要研究方向是信号处理机器学习和生物医学成像,迄今为止发表SCI/EI论文百余篇,授权发明专利28项,其中两项发明专利转移到上海联影。目前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。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,广东省生物医学成像工程技术研究中心主任,IEEE Transactions on Medical Imaging Associate Editor, Magnetic Resonance in Medicine编委,Quantitative Imaging in Medicine and Surgery编委。2012年入选中国科学院青年创新促进会,荣获2018年度王天眷波谱学奖。中国生物医学工程学会青年工作委员会副主任委员,中国图象图形学学会医学影像专委会委员,中华医学会放射学分会磁共振物理与工程学组委员,中国医学装备协会 磁共振应用专业委员会。

罗建文

清华大学特别研究员

报告题目:基于超声弹性成像的颈动脉粥样易损斑块检测

摘要:超声颈动脉弹性成像通过测量颈动脉粥样硬化斑块在血压作用下的运动和形变,推测斑块弹性或成分分布,进而预测斑块破裂风险。本研究比较了基于互相关与基于光流法的弹性成像算法,选取优化的方法获得可靠的斑块应变估计;并使用磁共振成像作为在体的参考标准,验证颈动脉弹性成像诊断易损斑块的能力。结果证明了斑块应变率的大小可用于有效地区分稳定和易损斑块。进一步,本文基于灰度共生矩阵,定量提取了斑块应变率图像的空间分布纹理特征;间接反映斑块弹性或硬度分布的空间不均匀性等信息。研究结果证明了高危斑块的应变率分布更加地不均匀。因此,结合斑块弹性成像的幅度和纹理特征,或可为颈动脉粥样硬化斑块提供更全面的评价信息。

简介:清华大学特别研究员,长聘副教授,博士生导师。发表SCI论文145篇。2012年入选中组部青年千人计划。2013年获国家自然科学基金优秀青年科学基金项目资助。2016年获国家重点研发项目青年科学家专题项目资助。担任IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control期刊Associate Editor,Journal of Ultrasound in Medicine期刊编委,IEEE生物医学工程分会(EMBS)生物医学与图像处理(BIIP)技术委员会委员,IEEE国际超声论坛 (IUS) 技术委员会委员。担任德国DFG、法国ANR、比利时FWO、国家重点研发计划、科技部创新人才推进计划、教育部长江学者奖励计划评审专家。

杨光

帝国理工医学院高级研究员

报告题目:机器增强智能在心脏核磁中的应用

摘要:深度学习作为人工智能(Artificial Intelligence)的一个重要分支在数据分析方面正在呈现持续增长的趋势,并被称为 2013 年的 10 项突破性技术之一。它是对神经网络的改进,包含更多的计算层,从而能够在数据中进行更高层次的抽象和预测。到目前为止,它正成为通用成像和计算机视觉领域领先的机器学习工具。就在今年3月份国际计算机学会ACM决定将2018年ACM A.M.图灵奖授予约书亚·本吉奥(Yoshua Bengio)、杰弗里·辛顿(Geoffrey Hinton)和杨乐昆(Yann LeCun) 三位深度学习之父,以表彰他们给人工智能带来的重大突破,这些突破使深度神经网络成为计算的关键组成部分。毋庸置疑,在医疗领域特别是医学图像数据的处理分析方面,深度学习取得了一些重要成果,然而如何将这些成果转化到临床实际应用中依然还有一道无法逾越的鸿沟。杨光博士的研究将围绕在机器增强智能(Augmented Intelligence)在医疗领域的应用上,而非使用广义的人工智能(Artificial Intelligence)技术。这次演讲的主题将集中在机器增强智能在心脏核磁中的应用上,杨光博士将讲解其现有技术、突破以及展望。

简介:杨光博士是伦敦大学学院医学物理及计算机专业硕士、博士。现任帝国理工医学院高级研究员,英国皇家布朗普顿医学院心脏血管研究中心医学图像高级工程师,伦敦大学圣乔治医学院荣誉讲师,杭州帝工先进技术研究院执行院长,博士生导师。杨光博士长期专注于医疗大数据以及医学图像的成像和分析方面的研究,在各类期刊会议上发表论文 70余篇,其中包括SCI论文16篇,并且拥有2项核磁共振图像处理的国际专利。杨光博士是《深度学习:一起玩转TensorLayer》( 电子工业出版社 )一书的主要作者。杨光博士是美国电气和电子工程师协会会员,美国国际光电学工程协会会员以及英国机器视觉协会会员。Medical Physics 杂志临时副主编。

张贺晔

中山大学教授

报告题目:计算机建模及医学图像智能处理

摘要:本报告将重点介绍基于深度学习的快速磁共振成像领域的研究工作。心脑血管疾病一直是危害国民健康的重大临床挑战,临床共识指出心脑血管疾病需要进行个性化的精准诊疗,这就需要从病人个体的健康信息中提取出可靠的量化指标。该报告将讲述我们如何使用计算建模及图像处理的工程技术,从心脏影像中提取出评估冠心病生理状态的量化指标,并应用于临床诊断的过程。

简介:张贺晔教授主要从事健康信息学定量分析研究工作,以临床健康信息需求为驱动,推动并发展了一系列健康信息定量分析的技术与方法。截止目前,发表学术论文78篇(第一或通讯作者41篇),其中SCI检索论文42篇(第一或通讯作者23篇),包括Medical Image Analysis 4篇(通讯作者),MICCAI 12篇,4篇ESI高被引和一篇ESI热点文章,主持一项NSFC联合基金重点项目和面上项目,申请或授权中国发明专利5项,获吴文俊人工智能科学技术创新奖三等奖(唯一人)。

日程安排

6月15日上午

08:00–08:40

入场签到

08:40–08:50

刘华锋

开班致辞

08:50–10:20

陈韵梅

Extra Proximal-Gradient Inspired Non-local  Network for Image Reconstruction

10:30–12:00

卢虹冰

Towards radiomic prediction model for cancer  screening

6月15日下午

13:30–15:00

厉力华

肿瘤影像学智能化诊疗---一点回顾、进展及思考

15:10–16:40

陈新建

视网膜医学影像处理与分析

6月16日上午

08:50–10:20

罗建文

基于超声弹性成像的颈动脉粥样易损斑块检测

10:30–12:00

梁栋

基于深度学习的快速磁共振成像

6月16日下午

13:30–15:00

杨光

机器增强智能在心脏核磁中的应用

15:10–16:40

张贺晔

计算机建模及医学图像智能处理

16:40–17:00

结营仪式

报名及注册费

1、本期讲习班限报150人,根据缴费先后顺序录取,报满为止。

2、2019年6月9日(含)前注册并缴费:CSIG会员1600元/人,非会员报名同时加入CSIG 2000元/人(含1年会员费);同一单位组团(5人及以上)报名,均按CSIG会员标准缴费;CSIG团体会员参加,按CSIG会员标准缴费;6月10日以后及现场注册:会员、非会员均为3000元/人。

3、注册费包括讲课资料和2天会议期间午餐,其它食宿、交通自理。

报名方式

1、登录系统:http://conf.csig.org.cn/fair/354 点击阅读原文直达报名系统

2、扫码报名:

注:两种方式,任意选择一种。

联系方式

联系人:骆老师  张老师

联系电话:010-82544676  18510866934(微信同号)

邮箱:igal@csig.org.cn 

产业医学影像
相关数据
约书亚·本吉奥人物

约书亚·本希奥(法语:Yoshua Bengio,1964年-)是一位加拿大计算机科学家,因人工神经网络和深度学习领域的研究而闻名。Yoshua Bengio于1991年获得加拿大麦吉尔大学计算机科学博士学位。经过两个博士后博士后,他成为蒙特利尔大学计算机科学与运算研究系教授。他是2本书和超过200篇出版物的作者,在深度学习,复现神经网络,概率学习算法,自然语言处理和多元学习领域的研究被广泛引用。他是加拿大最受欢迎的计算机科学家之一,也是或曾经是机器学习和神经网络中顶尖期刊的副主编。

杰弗里·辛顿人物

杰弗里·埃弗里斯特·辛顿 FRS(英语:Geoffrey Everest Hinton)(1947年12月6日-)是一位英国出生的加拿大计算机学家和心理学家,以其在类神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一,也是深度学习的积极推动者。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

图像分割技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像索赋予相同的编号。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

图像重建技术

通过物体外部测量的数据,经数字处理获得三维物体的形状信息的技术。图像重建技术开始是在放射医疗设备中应用,显示人体各部分的图像,即计算机断层摄影技术,简称CT技术,后逐渐在许多领域获得应用。主要有投影重建、明暗恢复形状、立体视觉重建和激光测距重建。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

信号处理技术

信号处理涉及到信号的分析、合成和修改。信号被宽泛地定义为传递“关于某种现象的行为或属性的信息(如声音、图像和生物测量)”的函数。例如,信号处理技术用于提高信号传输的保真度、存储效率和主观质量,并在测量信号中强调或检测感兴趣的组件。我们熟悉的语音、图像都可以看做是一种信号形式。因此,对于语音、图像的增强、降噪、识别等等操作本质上都是信号处理。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

机器视觉技术

机器视觉(Machine Vision,MV)是一种为自动化检测、过程控制和机器人导航等应用提供基于图像的自动检测和分析的技术和方法,通常用于工业领域。

暂无评论
暂无评论~