CCDM 2018 医疗数据挖掘

医疗数据挖掘论坛

论坛时间:8月7日

论坛地点:济南南郊宾馆

论坛建议人

张道强,教授,博士生导师,国家优秀青年基金获得者,“万人计划”青年拔尖人才。分别于1999年和 2004年在南京航空航天大学计算机科学与工程系获学士和博士学位。2004年起留校任教,2008年破格晋升为教授,主要研究方向为机器学习和模式识别技术及应用。2010年至2012年在美国北卡罗莱纳大学教堂山分校(UNC-Chapel Hill)从事脑影像分析及脑疾病早期诊断研究。已在国内外核心期刊和会议上发表150余篇论文,Google Scholar论文他引7000余次,H指数40。研究成果获教育部自然科学二等奖1项(第一完成人)。目前担任《PLOS ONE》、《自动化学报》、《计算机应用》等期刊编委。任中国图象图形学会理事、中国人工智能学会机器学习专委会常委、中国计算机学会人工智能与模式识别专委会委员、江苏省人工智能学会医学图像处理专委会主任委员等职务。

建议讲者

何晖光研究员,中科院自动化所

报告题目不完整多模态情感数据的半监督深度生成式建模

报告摘要:情感识别问题面临着三重挑战。首先,很难根据单一模态识别人类的情感状态。其次,人工标注情感数据是很费时费力的。第三,由于无法预见的传感器故障或配置问题,情感数据常常会受到模态缺失的影响。我们提出了一种新颖的多视图深度生成框架,用来解决上述所有问题。具体地说,我们使用具有共享隐含空间的多视图深度生成网络来对多模态的情绪数据建模。通过对共享隐含变量的后验近似施加一个高斯混合分布假设,我们的框架可以从多个模态中学习联合深层表征,并同时评估每种模态的重要性。为了克服标记数据稀缺问题,我们将半监督分类问题作为一种特殊的缺失数据补全任务,将上述多视图模型扩展到半监督学习场景中。为了解决模态缺失问题,我们进一步扩展了上述半监督多视图模型来处理不完整的数据。我们的方法可以利用所有可用的(标记和未标记的,以及完整的和不完整的)数据来提高模型的泛化能力。实验证明了我们的框架的优越性。

报告人简介:何晖光,男,1973年生,中国科学院自动化研究所研究员,博士生导师, 中国科学院大学人工智能学院脑认知与智能医学教研室主任、岗位教授,中科院青年创新促进会优秀会员。中科院脑科学与智能技术卓越中心团队成员。中国图象图形学会视觉大数据专委会常务委员,CCF计算机视觉专委会委员,IEEE高级会员, CCF高级会员。分别于1994年(本科),1997年(硕士)毕业于大连海事大学,1997-1999在大连海事大学任助教;2002年在中国科学院自动化研究获博士学位,同年留所工作。2003-2004在美国罗切斯特大学放射系做博士后研究,2008年1-3月,在加拿大滑铁卢大学做高级研究学者,2014.10-2015.4在美国北卡大学教堂山分校做访问教授。何晖光博士先后主持包括5项国家自然科学基金(包括1项国家自然基金重点项目)、2项863项目等多个重要项目。获得国家科技进步二等奖两项(分别排名第二、第三),北京市科技进步奖两项,教育部科技进步一等奖(排名第三),获中科院首届优秀博士论文奖,北京市科技新星,中科院“卢嘉锡青年人才奖”等奖项,其研究领域为脑科学、人工智能,医学影像处理,脑-机接口等, 其研究结果在NeuroImage, Human Brain Mapping, Pattern Recognition, MICCAI等相关领域的国内外核心期刊以及国际主流会议上发表文章120余篇。

 

倪东教授,深圳大学

报告题目:智能医学超声

报告摘要:用户差异大及标准化程度低是医学超声诊断面临的主要挑战。深圳大学MUSIC(Medical UltraSound Image Computing,医学超声图像计算)实验室基于图像分析、人工智能及机器人技术,长期致力于超声诊断的标准化、定量化和智能化研究。报告将介绍MUSIC实验室在产前智能超声、乳腺超声计算机辅助诊断、机器人超声方面的研究进展。

报告人简介:倪东, 博士,教授,深圳大学医学部生物医学工程学院副院长,广东省超声医学工程学会常务理事,深圳大学优秀学者,2019年医学图像计算顶级会议MICCAI当地主席(Local Chair)。长期从事医学大数据分析,特别是智能医学超声的研究。获授权发明专利10余项,发表SCI收录论文40余篇,包括在IEEE TMI、Medical Image Analysis及MICCAI等本领域顶级期刊和会议发表论文多篇。主持各类科研项目10余项,其中包括国家自然科学基金2项。

 

朱伟芳博士,苏州大学

报告题目:视网膜疾病区域的检测与分割

报告摘要:视网膜疾病如年龄相关性黄斑变性(Age-related Macular Degeneration, AMD)、糖尿病性视网膜病变(Diabetic Retinopathy,DR)、视网膜动脉阻塞(Retinal Artery Occlusion, RAO)、视网膜静脉阻塞(Retinal Vein Occlusion, RVO)等的早期诊断和治疗是预防永久性视力损伤和致盲的关键。近年来,光学相干断层扫描(Optical Coherence Tomography,OCT) ,作为一种实时、在活体、高分辨率、无创、无接触的新型成像方法,已被广泛用于辅助临床眼科医生对各种视网膜疾病的诊断和治疗。视网膜疾病的临床症状如黄斑囊样水肿(Cystoid Macular Edema, CME)、黄斑裂孔(Macular Hole,MH)、脉络膜新生血管(Choroidal Neovascularization,CNV)、光感受器椭球区缺失(Photoreceptor Ellipsoid Zone Disruption)、浆液性色素上皮层脱离(Serous Pigment Epithelium Detachment)等,在OCT图像中呈现病变形态与位置多样性等特点,且大部分病变区域的边界非常模糊,本课题组采用经典的基于图理论的分割方法如图割(Graph Cut)、图搜索(Graph Search)结合机器学习的方法,取得了一定的成果。

报告人简介:朱伟芳,工学博士,苏州大学副教授,硕士生导师。主要研究方向为医学影像分析与处理。2013年加入苏州大学电子信息学院陈新建教授带领的医学影像处理与分析实验室,主要研究病变视网膜图像的处理与分析,致力于采用机器学习等方法准确的定量检测与分割视网膜OCT、fundus图像中的病变区域,以辅助眼科临床医生快速、准确地进行疾病诊断与治疗。主持国家自然科学基金青年基金项目1项(已结题),主要参加国家自然科学基金青年基金项目1项(已结题)、国家自然科学基金面上项目1项(已结题),发表SCI/EI论文近20篇,授权发明专利2项。

 

张道强教授,南京航空航天大学

报告题目:脑影像智能分析方法及应用

报告摘要:近年来,“脑科学计划”吸引了各国政府和公众的广泛关注。脑影像技术是研究脑科学的重要工具之一, 然而由于脑影像数据所固有的高维度、多模态、异构和时变等特性,对其进行快速有效分析是当前研究的关键问题之一。 在本报告中,我们将首先简要介绍脑影像分析的基本方法,然后重点介绍我们近几年在基于机器学习的脑影像/脑网络智能分析方面的相关工作,并介绍其在脑疾病早期诊断、影像遗传学、脑认知与脑解码中的应用。

报告人简介:张道强,教授,博士生导师,国家优秀青年基金获得者,“万人计划”青年拔尖人才。分别于1999年和 2004年在南京航空航天大学计算机科学与工程系获学士和博士学位。2004年起留校任教, 2008年破格晋升为教授,主要研究方向为机器学习和模式识别技术及应用。2010年至2012年在美国北卡罗莱纳大学教堂山分校(UNC-Chapel Hill)从事脑影像分析及脑疾病早期诊断研究。已在国内外核心期刊和会议上发表150余篇论文,Google Scholar论文他引7000余次,H指数40。研究成果获教育部自然科学二等奖1项(第一完成人),获国际期刊《Neuroimage》和《Pattern Recognition》高被引论文、国际会议PRICAI’06、STMI’12及BICS’16最佳(学生)论文等。目前担任《PLOS ONE》、《自动化学报》、《计算机应用》等期刊编委。任中国图象图形学会理事、中国人工智能学会机器学习专委会常委、中国计算机学会人工智能与模式识别专委会委员、江苏省人工智能学会医学图像处理专委会主任委员等职务。曾获全国优博论文提名、霍英东青年教师奖、江苏省“333工程”高层次人才、江苏省杰出青年基金等。2014至2017年连续4年上榜Elsevier中国高被引学者榜单。

 

Panel环节

包括论坛讲者和南京大学史颖欢博士、南京航空航天大学陈芳博士等。

具体信息待添加... ...

论坛联系人

张道强教授,南京航空航天大学

手机:13584018510

邮箱:dqzhang@nuaa.edu.cn