2019年4月8日上午10:30-11:30于信息科学与工程学院542学术报告厅,Danny Ziyi Chen(陈子仪)教授针对“Intelligent Computing, Big Data, and Modern Medicine and Healthcare(智能计算,大数据及现代医疗)”为主题做了精彩的学术报告。报告介绍了陈教授课题组与美国各著名医学院几项合作研究成果和过程,使用深度学习和传统方法相结合解决现代医疗图像辅助诊断问题。
图1. 陈教授的精彩报告
Danny Ziyi Chen(陈子仪)博士1985 年获得美国旧金山大学计算机科学和数学学士学位,并分别于1988 年和1992 年获得美国普渡大学西拉法叶分校的计算机科学硕士和博士学位,他自1992 年以来一直在美国圣母大学计算机科学与工程系任教,现任教授。陈教授的主要研究兴趣是计算生物医学,生物医学成像,计算几何,算法和数据结构,机器学习,数据挖掘和VLSI。他在这些领域发表了130 多篇期刊论文和210 多篇经过同行评审的会议论文,并拥有5项美国计算机科学与工程和生物医学应用技术开发专利。他于1996 年获得NSF CAREER 奖,2011 年获得计算机世界荣誉计划的荣誉奖,用于开发“弧度调制放射治疗”(一种新的放射性癌症治疗方法)及2017 年获美国国家科学院的PNAS Cozzarelli 奖。他是IEEE Fellow 和ACM 杰出科学家。
陈教授指出计算机技术在现代医学,医疗保健和生命科学中发挥着至关重要的作用,特别是在医学成像,人类基因组研究,临床诊断和预后,治疗计划和优化,治疗反应评估和监测以及医学数据管理和分析方面。随着计算机技术的迅速发展,计算机科学解决方案将不可避免地成为现代医学和医疗保健不可或缺的一部分。关于建立,制定,解决和分析医学和医疗保健中的核心问题的计算研究和应用不仅是关键,而且实际上是不可或缺的!
陈教授详细说明了最近出现的深度学习(DL)技术已经为许多计算机视觉任务(例如图像分类,对象检测和语义分割)带来了高质量的结果,在很大程度上优于传统的图像处理方法。并讨论智能医学和医疗保健领域的一些发展趋势。
然后,陈教授提出了基于DL技术的新方法,解决了一系列医学成像问题,如神经胶质细胞的分割和分析,神经胶质细胞与脑肿瘤之间关系的分析,神经细胞的分割以及深度学习的新训练策略,以及使用稀疏注释的医学图像数据。
图2. 陈教授的精彩报告
陈教授团队开发了基于完全卷积网络(FCN),递归神经网络(RNN)和主动学习的新的深度学习模型,以有效地解决目标医学成像问题。例如,将FCN和RNN结合用于3D生物医学图像分割; 他们提出了一种新的完整的二分网络神经元细胞分割模型。此外,陈教授讲到仅仅单独应用DL技术通常不足以解决医学成像问题。因此,他们构建了其他新方法来补充DL技术。例如,设计一种基于几何图形中的k端切割的新的细胞切割方法,其补充了FCN的体素级分割以产生3D神经胶质细胞的对象级分割。陈教授展示了如何将一组FCN与近似算法相结合,以获得最大k-set覆盖问题,从而形成一种新的训练策略,该策略可以显着减少注释数据。
最后掌声热烈响起,同学们请教了陈教授一些问题,得到了很多的收获。