2020/02/24 12:16

体素科技领衔组织IEEE Transactions on Medical Imaging特刊征集论文：关于用于医学成像的有效标注深度学习

众所周知，深度学习方法在过去几年中已经发生了显著变化，医学图像分析方法也是如此。但深度学习尚未攻克的一个难关是其模型本质上是数据密集型的，因此对大型且标注质量高的数据集需求与日俱增。但是，很少有人拥有一个大小合适且经过精心标注的数据集来训练深度学习模型；尤其在医学成像领域，因为该领域中获取和标注数据的成本很高。这个问题在罕见疾病与多种疾病并发情况下更为突出；在这些情况下获取大量的高质量标注数据变得不太现实。因此，我们需要创新的方法来实现有效标注的深度学习医学影像。

上述深度学习所需高质量数据的稀缺问题已经引起了医学影像界的关注。体素科技VoxelCloud作为深度学习的代表企业之一，一直在有效标注深度学习上进行研究。

虽然学者们已经发表了一些针对该问题的研究，但是该领域的研究主题与文献较为分散，并且存在许多空白。此次体素科技的科学家领衔组织行业顶级期刊IEEE Transation on Medical Imaging（TMI，影响因子7.8）特刊，合作机构还包括Nvidia，ASU和UCLA，倡议各位学者采用一种更完整的视角来解决这一问题，以实现用于医学成像的有效标注深度学习。

特刊征集以下研究主题，涵盖但不限于：

如何高效获取标注？

智能选择患者/样本进行标注
快速获取标注的工具

如何在有限的标注数据下进行学习

处理从未出现过的疾病
从少量标注数据中诊断罕见疾病

如何有效利用已存在的标注数据

有效利用抽象的弱标注数据
处理标记过程中的误差和人为错误
集成多数据源的相关标注数据

如何利用未标注的数据

从未标注的数据中学习通用知识

结合已标注数据和未标注数据训练模型

用伪标注数据训练模型

提交流程

作者必须按照以上提供的说明以电子稿件形式提交论文稿件，并在封面中注明稿件是针对此特刊的提交。欢迎作者联系客座编辑或者参考本文确定待提交的论文是否符合本期特刊的研究范围。

截至日期

论文初稿提交截止日期：2020.07.01

第一轮审查截止日期：2020.09.01

论文修改稿截止日期：2020.11.01

最终决定：2020.12.01

此次特刊的客座编辑由体素科技的首席科学家Nima Tajbakhsh博士、亚利桑那州立大学的梁建明博士、英伟达的Holger Roth博士及加州大学洛杉矶分校的Demetri Terzopoulos博士担任，其中Demetri Terzopoulos博士和梁建明博士也分别是体素科技的首席科学家及顾问，他们将监督整个特刊征集及发表的过程。

客座编辑

Nima Tajbakhsh, PhD

体素科技首席科学家

ntajbakhsh@voxelcloud.io

Nima Tajbakhsh是体素科技的首席科学家。他是工业和学术界几种计算机辅助检测和定量产品的主要贡献者或主要研究人员，这些产品用于各种医学成像方式，包括CT，超声，光学结肠镜检查和数字组织病理学。他的研究方向是使用最少量的标注数据为医疗成像领域开发创新的AI解决方案。他的理论研究和应用研究已产出40余篇经同行评审的论文，并且被引用超1,900次。他持有10多项美国专利。

Jianming Liang, PhD

亚利桑那州立大学

jianming.liang@asu.edu

梁建明博士现任美国亚利桑那州立大学（ASU）生物医学信息和计算机科学副教授。他的研究方向是利用计算机视觉、机器学习、可视化、数学和统计学的工具解决医疗影像分析以及计算机辅助诊断、手术、治疗等方向中的一系列重大挑战；发表了超过70 篇论文并获得13 项专利（31 项待批）；他的研究是多款FDA批准的医疗应用的基础；他还是ASU校长创新奖的获得者。

Holger Roth, PhD

英伟达

hroth@nvidia.com

自2018年6月以来，Holger Roth担任马里兰州贝塞斯达的NVIDIA医学影像深度学习研究小组的高级应用研究科学家。在获得英国伦敦大学博士学位之后，他曾是日本名古屋大学的研究助理教授，以及美国国立卫生研究院临床中心的访问学者。目前的研究重点是深度学习方法在大规模医学图像分析，多尺度计算解剖学以及计算机辅助检测和诊断中的应用。也还是IEEE Medical Imaging期刊的副编辑。在2018年，他以其题为“使用随机深度卷积神经网络观察淋巴结探测的新2.5D表现形式”的工作获得了青年科学家出版物影响奖，该论文最初在2014年MICCAI上发表。

Demetri Terzopoulos, PhD

加州大学洛杉矶分校

dt@cs.ucla.edu

Demetri Terzopoulos 体素科技联合创始人和首席科学家，是加州大学洛杉矶分校（UCLA）杰出教授，计算机视觉与图形学实验室主任；他是英国皇家科学院院士、加拿大科学院院士、Guggenheim Fellow、AMC Fellow、IEEE Fellow；被ISI、谷歌学术等学术排名索引列为世界被引次数最多的工程类学者之一（总引用超65万次）；曾获得2005 年奥斯卡技术成就奖、IEEE杰出研究奖、人工智能学会奖、2013赫姆霍兹Helmholtz 奖、1987马尔奖、1996 NICOGRAPH 奖、1999、2003 国际医学信息学学会奖等多个奖项；曾担任美国国家自然科学基金会(NSF)、美国卫生部（NIH）等委员会委员、马克斯普朗克研究所主席顾问；世界著名医疗影像分析期刊Medical Image Analysis 创始编委、以及众多医疗信息技术会议、期刊审稿人、编辑、区域主席等。

产业智慧医疗体素科技数据标注深度学习

相关技术

深度神经网络图像分割

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。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

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。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

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）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

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。

来源：机器之心

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）。

来源：机器之心