深度学习在生物医疗图像分割领域的应用

本课程讲解了基于深度学习的图像分割技术是怎么应用在针对糖尿病人的囊泡细胞的识别这一问题的。(课时:75 分钟)

讲师:   张晓雅


课程背景

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。

课程目的

学完本课程,你能做到

  • 了解基于深度学习的图像分割技术是如何应用在医学图像分割领域的

  • 了解图像分割的概念以及多种传统图像分割方法

  • 熟悉传统机器学习方法在图像分割领域的应用

  • 熟悉深度学习方法在图像分割领域的应用

  • 了解最新的Multi-FCN方法是如何完成糖尿病人胰岛素囊泡的识别的

课程详情

本次讲座的主要内容有:

  • 传统的图像分割技术:

    • 图像分割的目的与挑战

    • 5种传统的图像分割方法

  • 机器学习方法在图像分割领域的应用

    • 传统机器学习方法

    • 机器学习方法的优点

    • SVM

    • Random Forest

    • 传统机器学习方法的缺陷:过分依赖特征

  • 深度学习方法在图像分割领域的应用

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

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

  • 我们的研究

    • 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

    • 实现课题所遇到的挑战

    • Multi-FCN训练法

讲师介绍
张晓雅

北京大学计算机视觉博士