第四期医工结合研讨会:心电数据标注系统和深度学习诊断算法研究

7月11日,“医工结合系列研讨会第四期会议:常规心电图的众包式标注系统和深度学习诊断算法研究”,我们邀请到了北京清华长庚医院心脏内科主任张萍,以及清华大学电子工程系副教授王贵锦,与各位分享如何构建基于深度学习的智能诊断系统、构建可用于常规心电数据的众包式标注系统,以便医生更高效、便捷的进行心电数据标注,促进我国心血管病诊疗的进一步发展。

我们建议以下群体的朋友参会交流:

  • 有意与工科老师进行科研合作的医生

  • 有意与医生进行科研合作的工科老师

  • 关注并从事“医工结合”方向的投资者和业界专家

  • 有基于科研项目进行创业意向的学生

相信参与此次研讨会,是探索和完善科研合作方法的好机会,也欢迎大家带着问题共同探讨和交流。

主讲嘉宾简介

张萍,北京清华长庚医院内科副部长。心脏内科主任,教授,博士生导师。主要专业方向为心律失常的药物、射频消融和起搏治疗,特别是在心脏起搏器、ICD和CRT的优化管理中建立起一系列的方法和流程。现任中华医学会心电生理和起搏分会起搏学组委员、中国生物医学工程学会心律分会副主任委员等职。

王贵锦,分别在1998,2003年于清华大学电子工程系获学士学位,博士学位。专业为信号与信息处理,优秀博士论文。2003年至2006年在索尼东京研究所工作,2006年底归国到清华大学电子工程系担任副教授,博士生导师,从事图像处理的科研和教学工作。是IEEE Signal Magazine国际期刊副主编,神经计算(NeuroComputing)国际期刊特刊主编,IEEE高级会员、IEICE会员, IEEE ICIP2017国际会议web chair, area chair, 2015年IEEE ChinaSIP Track Chair ,SPIE OIT2013年committee member, 多个著名国际期刊和会议的审稿人。研究兴趣包括数字图像/视频处理与分析、多媒体人机交互模式识别、智能监控、计算摄像,混合现实,可穿戴设备,智能物流,医疗大数据分析等。

【时间】2019年7月11日(周四)15:00-17:00

【地点】清华大学附近(具体地点将在审核通过后以短信/邮件形式通知)

【报名方式】扫描下方二维码报名

关于“医工结合系列研讨会”

清华大学临床医学院和数据科学研究院在中国医师协会智慧医疗专委会的指导下,为推动数据驱动的“医工结合”,致力于发挥理工科背景的优势,设计了系列“医工结合闭门研讨会”。希望通过这种方式,邀请数据科学领域的研究学者以及医疗工作一线的实务人员共同参加,加快数据科学在各医疗学科中的应用,提升医师的诊断效率,促进跨学科的融合交流。

系列活动于2019年4月起,每月举办一次“医工结合闭门研讨会”,深度交流探讨“医工结合”之路。此系列活动的安排如下:

【拟邀对象】

  • 数据科学领域的研究学者,其研究领域包括但不限于:计算机视觉自然语言处理语音识别模式识别数据挖掘等;

  • 医院医技科室人员,其研究领域包括但不限于:医学影像、输血科,化验科、病理、基因等;

  • 医院临床医生代表,以清华四家附属医院(清华长庚医院、清华玉泉医院、北京华信医院、北京市垂杨柳医院)为主,同时也将邀请在京其他医院,包括但不限于北京天坛医院、中日友好医院、北大肿瘤医院、中国医学科学院阜外医院、首都医科大学宣武医院、北京安贞医院、北大第一医院、北京协和医院等;

  • 其他组织机构,包括但不限于中国医师协会、中华医学会、中国医学影像技术研究会等。

【时间安排】:每月一期,时间暂定为工作日的下午或晚上。

【与会规模】:每期活动邀请30-50名“医”“工”相关领域的学者参与。

【活动形式】:每期活动邀请1-2位医科代表及工科研究学者代表,以包括但不限于演讲、圆桌、交流等形式,就当月特定主题展开深度交流及讨论。

此系列研讨会先以北京市为试点城市,试运行一段时间后,经改进优化,可作为中国医师协会智慧医疗专委会的项目于全国开展。后期在其他城市的陆续举办,具体活动形式另行设计。相信此系列研讨会无论是对中国医疗行业还是数据科学的发展均有重要意义。

更多信息请见:

http://www.ids.tsinghua.edu.cn/index.php

THU数据派
THU数据派

THU数据派"基于清华,放眼世界",以扎实的理工功底闯荡“数据江湖”。发布全球大数据资讯,定期组织线下活动,分享前沿产业动态。了解清华大数据,敬请关注姐妹号“数据派THU”。

产业数据标注深度学习
相关数据
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。

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。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

模式识别技术

模式识别(英语:Pattern recognition),就是通过计算机用数学技术方法来研究模式的自动处理和判读。 我们把环境与客体统称为“模式”。 随着计算机技术的发展,人类有可能研究复杂的信息处理过程。 信息处理过程的一个重要形式是生命体对环境及客体的识别。其概念与数据挖掘、机器学习类似。

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。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

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。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

推荐文章
暂无评论
暂无评论~