深度学习在生物医疗图像分割领域的应用

讲师:   张晓雅

深度学习在生物医疗图像分割领域的应用


目前,绝大多数疾病的医疗诊断工作,仍旧依赖于医生对患者图像信息的“人工识别”。限制于有限的注意力,人类做不到在短时间内对大量图像进行快速的诊断。因此,待诊患者不能得到及时的诊断,或延误了治疗时机,或使医院人满为患。

对此,使用计算机自动化处理患者的图像信息,实现自动化诊断,一直是科研工作者们的愿望和研究方向。

然而对于帮助诊断糖尿病的“胰岛素囊泡识别”或者“线粒体识别”以及“白细胞识别”这一类图像分割问题的研究,遇到了诸多困难与挑战,使用传统方法,几乎无法解决,找到新的技术突破点迫在眉睫。

深度学习技术的出现,让研究工作者们看到了新的曙光。

在本教程中,就读于北京大学直博三年级的90后年轻女博士张晓雅,将以“深度学习在生物医疗领域的应用”为主要内容,针对图像分割问题的研究与探索,为大家进行详细的讲解。同时也将自己所在研究组针对“胰岛素囊泡细胞识别问题”的最新研究成果,分享给大家。

张晓雅女士的演讲直观易懂,不管你是身在生物医疗领域还是在计算机科学领域,都能够了解到深度学习技术在生物医疗领域最前沿的应用成果。

 

本次讲座的主要内容有:

 

一、传统的图像分割技术:

  1. 图像分割的目的与挑战

  2. 5种传统的图像分割方法:

  • 基于阈值的分割方法

  • 基于边缘的分割方法

  • 基于区域的分割方法

  • 基于图论的分割方法

  • 基于能量泛函的分割方法

二、机器学习方法在图像分割领域的应用:

  1. 传统机器学习方法

  2. 机器学习方法的优点

  3. SVM

  4. Random Forest

  5. 传统机器学习方法的缺陷:过分依赖特征


三、深度学习方法在图像分割领域的应用

  1. Patch-wise classification:标准卷积神经网络(CNNs)

  2. Pixel-wise classification:全卷积神经网络+条件随机场 (FCNs,FCN+CRF)

四、我们的研究

  1. 使用图像分割统计正常人与糖尿病人胰岛素囊泡的分布与数量

  2. 实现课题所遇到的挑战

  3. 我们的解决方案:

  • Multi-FCN训练法

  • Multi-FCN算法的基本内容

  • 快速收敛

  • 优秀的分割效果

  • 算法在线粒体识别和白细胞识别领域的应用


讲师介绍
张晓雅

北京大学计算机视觉博士