报告日期:09月10日(周二)10:30-11:30
使用基于深度学习的计算机辅助诊断模型是一种普遍趋势,为了训练和维护这类模型,获得足够数量的准确标记的医学影像数据 是一项不可避免的任务。这里的一个主要挑战是,获取和标记医学数据既昂贵又困难。另外,即使有高质量的标记样本可用,通常也出于数据安全的考量不能轻易地与其他研究人员共享。为了提高模型的准确度同时降低标注成本,数据扩充技术是一个有效且值得提倡的策略。近年来,扩散模型已经逐步成为一种主流的生成模型,并在多个领域取得显著进展。然而,目前的生成方法的研发和验证仍然局限于提高指标,如:FID和IS,并且没有对疾病分级和诊断等下游任务进行全面且深入的调查。从医生的角度来看,这些提高这些指标的临床意义并不大,因为他们更关注的是所生成的影像样本的可靠性和是否真的能稳定地提高诊断模型的性能。本报告旨在系统探讨这些问题,并以提高诊断模型为目的,分析扩散模型的采样过程中的不同梯度引导对生成结果的影响,介绍我们的采样设计策路。最后,我将分享我们对于基于扩散模型的医学影像生成未来的机遇和挑战的一些思考。
罗祎敏,康奈尔大学威尔医学院博士后研究员,2023年博士毕业于伦敦国王学院生物医学工程系,其间在新加坡科技研究局(A*STAR)资讯通信研究院学习交流。研究方向为机器学习及其在影像引导下的微创诊疗技术中的应用,主要聚焦于心血管介入手术,重点围绕计算机智能辅助诊断、医学图像配准、医学图像修复和高质量生成开展攻关。目前已经在人工智能及医工交叉领域期刊和会议上发表论文20篇,包括TPAMI, CVPR, TNNLS, TBME, Medical Physics,同时也是TIP, TMI, MIA等期刊的审稿人。
领取专属 10元无门槛券
私享最新 技术干货