XiaoMi-AI文件搜索系统
World File Search SystemMICCAI
Matthew Laurence Scotch，博士，MPH，FACMI研究副院长和卫生解决方案学院生物医学信息学教授；
由NIH R01赠款以及多个州和地方赠款资助，我的研究是高度互认为的，与医学专业和社会科学融合了多个科学和工程分支，并针对人类福利的直接进步。具体来说，我的研究借鉴了人工智能，计算机视觉，机器（深度）学习，可视化，高性能计算，软件工程，成像科学，统计和数学，我的研究着重于开发新型的计算方法和系统，以支持临床决策制定，并促进精确的医学和健康。我的实验室试图通过基于多学科的团队的方法来应对生物医学面临的深刻挑战：大数据涉及心脏病学，胃肠病学，肿瘤学，病理学，放射学等。这些系统旨在通过减少诊断时间，提高准确性，提高质量，降低成本以及扩大医疗专业知识的可访问性来消除健康和医疗保健的障碍。支持ASU的宪章和目标，以“使用Mayo Clinic 1建立能够创新的健康解决方案途径。。。增强了200万患者的治疗方法”，我已经在多个部门和部门之间与Mayo诊所建立了强有力的合作，我的努力导致了几个基于多学科的团队赠款。我被选为首届Mayo诊所ASU联盟研究员。此外，我还获得了40项美国专利，并获得了50多项专利。我以我的整体和细致的教学和指导方式而闻名。我在我领域的一些最负盛名的期刊和信息中发表了100多个经过同行评审的出版物，例如自然，IEEE医学成像交易（TMI），医学图像肛门（媒体）（媒体），CVPR，ICCV，MICCAI和IPMI。我们的出版物在我的研究领域受到了荣誉，其中包括Miccai最佳纸跑步者（2023），Dart Best Paper Award Runner UP（2023），Elsevier Media Best Paper Award（2020），Miccai Young Scientist奖（2019年），Miccai Best Eranctation Award的决赛入围者（2019年），以及麦克风最佳奖项（2019年），以及麦克风的年轻科学家（2015年）（2015年）。我在2019年，2020年，2023年和2024年获得了四次教师教学奖提名，并在2024年的2024 - 2025年研究生学院杰出的博士生杰出导师。我实验室中的学生在ASU期间获得了70多个奖项和认可，包括NCWIT大学奖（2022年）和AMIA博士学位论文奖（全球生物医学信息学上最好的论文）（2022年）。我目前是医学图像分析编辑委员会，我领域最佳日记的编辑委员会，以及我所在地区的顶级会议的Miccai，MIDL和CVPR的区域主席。我曾担任IEEE医学成像交易的客座编辑（2020-2021）。我也曾在NIH研究部分任职。认可我的贡献，我当选为国家发明师学院（NAI）（2021）的会员，并获得了杰出教师奖（2023），教职员工指导奖（2020）和教师创新奖（2019年）。我的团队在2015年和2024年获得了总统创新奖两次，并获得了Elsevier Media Best Paper Award（2020），这是该领域最负盛名的奖项之一。
黄银逝世及生平简介
Le 博士目前是阿肯色大学电气工程与计算机科学系 (EECS) 人工智能与计算机视觉 AICV 实验室的助理教授兼主任。此前，她曾在卡内基梅隆大学 (CMU) 担任博士后。Le 博士分别于 2018 年和 2015 年在 CMU 获得电气与计算机工程博士和硕士学位。她分别于 2009 年和 2005 年在越南获得计算机科学硕士和学士学位。Le 博士因其在机器人、机器学习、计算机视觉和医学分析方面的重大贡献而获得国际认可。她的研究解决了各种现实世界的挑战，包括可信决策、不完美数据（有限标记数据、噪声数据、有偏见的数据、看不见的数据、小物体）和边缘设备上的实时应用。她精通多种模式，擅长处理图像、视频、点云、体积数据、时间序列和遥感数据。值得注意的是，她的专业知识涵盖图像处理、场景理解、多对象跟踪、行为分析、医学图像分析、3D 重建和实时机器人感知。Le 博士的工作被认为是最先进的，她的许多研究成果已成功部署到现实世界的应用中，包括边缘设备上的尖端实现。她的研究成果包括拥有三项专利，并在各种著名会议、书籍章节和顶级期刊上共同撰写了 130 多篇论文和文章。她在 Google Scholar 上的 h 指数为 26，i10 指数为 64，截至 2024 年 5 月 19 日，引用次数为 2,829 次（8ck0k UAAAAJ）。Le 博士自 2021 年起担任 ScienceDirect 的《机器学习与应用》（MLWA）期刊的副主编，并主持了 Asilomar 和 MICAD 等会议。 Le 博士还担任 Frontier 和 MDPI 等多家期刊的客座编辑。她组织了著名会议 MICCAI 的教程和研讨会，例如 MICCAI 2018 的医学成像深度强化学习教程和 MICCAI 2019 年和 2020 年的少标签和不完美数据的医学图像学习研讨会。医学图像计算的可解释和注释高效学习：第三届国际研讨会 2020。她积极参与社交活动，尤其是 2019-2022 年 MICCAI 女性社交活动，并担任组织者。她曾担任 2021 年和 2022 年 Google NACMI AMLI 夏季训练营的首席讲师。
深度半监督学习用于脑肿瘤分类
摘要背景：本文讨论了从四种磁共振图像 (MRI) 扫描模式（即 T1 加权 MRI、增强 T1 加权 MRI、T2 加权 MRI 和 FLAIR）中对脑肿瘤、神经胶质瘤进行分类的问题。目前，许多可用的神经胶质瘤数据集通常包含一些未标记的脑部扫描，并且许多数据集的大小适中。方法：我们建议利用深度半监督学习来充分利用未标记数据。深度 CNN 特征被纳入一个新的基于图的半监督学习框架，用于学习未标记数据的标签，其中添加了新的 3D-2D 一致性约束以对来自同一 3D 脑部扫描的 2D 切片进行一致性分类。然后训练深度学习分类器使用具有估计标签的标记和未标记数据对不同类型的神经胶质瘤进行分类。为了缓解中等规模数据集导致的过度拟合，在 CNN 的训练中加入了生成对抗网络 (GAN) 生成的合成 MRI。结果：所提方案已在两个胶质瘤数据集上进行了测试，TCGA 数据集用于 IDH 突变预测（基于分子的胶质瘤亚型分类）和 MICCAI 数据集用于胶质瘤分级。我们的结果显示出良好的性能（TCGA 数据集上的测试准确率为 86.53%，MICCAI 数据集上的测试准确率为 90.70%）。结论：所提方案对于胶质瘤 IDH 突变预测和胶质瘤分级是有效的，其性能与最先进的方案相当。
CV Seonwook公园
2024 6th International Workshop on Gaze Estimation and Prediction in the Wild (GAZE 2024) at CVPR 2023 OCELOT 2023: Cell Detection from Cell-Tissue Interaction Challenge at MICCAI 5th International Workshop on Gaze Estimation and Prediction in the Wild (GAZE 2023) at CVPR 2021 3rd International Workshop on Gaze Estimation and Prediction in the Wild (GAZE 2021) at CVPR 2020年AR，VR和野外（OpenEyes 2020）的国际眼睛凝视国际研讨会在ECCV 2019上的第一届国际凝视估算和预测（Gaze 2019）的ICCV
简历 - Benoit Scherrer
期刊论文 • B. Scherrer、F. Forbes、C. Garbay、M. Dojat，《用于组织和结构脑分割的分布式局部 MRF 模型》，IEEE 医学成像学报，28(8)，1296-1307，2009。 • B. Scherrer、M. Dojat、F. Forbes、C. Garbay，《基于马尔可夫模型的分割的代理化：应用于 MRI 脑扫描》，《医学人工智能 (AIM)》，46(1)，81-95，2009 章节书 • Scherrer B、Forbes F、Garbay C 和 Dojat M，《基于分布式马尔可夫代理的 MR 脑扫描组织和结构分割的联合贝叶斯框架》。在：I. Bichindaritz 和 L. Jain 编辑，《医疗计算智能》。 Springer-Verlag，柏林，309，81-101，2010。同行评审会议论文及论文集 • B. Scherrer、SK Warfield，面向临床实践的精确多纤维评估策略，2011 年 IEEE 国际生物医学成像研讨会 (ISBI) 论文集，芝加哥，2011 年，即将出版 • B. Scherrer、SK Warfield，多张量模型为什么需要多个 b 值。使用约束对数欧几里得模型进行评估，载于 2010 年 IEEE 国际生物医学成像研讨会 (ISBI) 论文集，鹿特丹，2010 年，1389-1392 • B. Scherrer、F. Forbes、M. Dojat，一种将局部配准与稳健组织和结构分割相结合的条件随机场方法，载于第 11 届医学图像计算和计算机辅助干预国际会议 (MICCAI) 论文集，Springer-Verlag Berlin，2009 年，540-548 • B. Scherrer、F. Forbes、C. Garbay、M. Dojat，用于 MR 脑部扫描组织和结构分割的完全贝叶斯联合模型，载于第 11 届医学图像计算和计算机辅助干预国际会议 (MICCAI) 论文集， Springer-Verlag Berlin，2008 年，p1066-1074 *青年研究员奖*
基于深度学习的二维椭圆框区域脑肿瘤分割可行性研究
摘要：在大多数基于深度学习的脑肿瘤分割方法中，训练深度网络需要带注释的肿瘤区域。然而，准确的肿瘤注释对医务人员提出了很高的要求。本研究的目的是利用肿瘤周围的椭圆框区域训练深度分割网络。在所提出的方法中，深度网络通过使用大量未注释的肿瘤图像（其中肿瘤和背景周围有前景（FG）和背景（BG）椭圆框区域）以及少量带有注释肿瘤的患者（<20）来训练。训练首先在未注释的 MRI 上的两个椭圆框上进行初始训练，然后在少量带注释的 MRI 上进行细化训练。我们使用多流 U-Net 进行实验，它是传统 U-Net 的扩展。这使得能够使用来自多模态（例如 T1、T1ce、T2 和 FLAIR）MRI 的互补信息。为了验证所提方法的可行性，在两个胶质瘤数据集上进行了分割实验与评估，并将在测试集上的分割性能与在相同网络但完全由带注释的MRI图像训练的分割性能进行比较。实验表明，所提方法在测试集上获得了良好的肿瘤分割结果，其中在MICCAI BraTS'17和US数据集上肿瘤区域的dice得分为（0.8407，0.9104），肿瘤区域的分割准确率分别为（83.88%，88.47%）。与使用所有带注释的肿瘤训练的网络的分割结果相比，所提方法在MICCAI和US测试集上的分割性能下降分别为（0.0594，0.0159）和（8.78%，2.61%），但下降幅度相对较小。我们的案例研究表明，使用椭圆框区域代替所有注释的肿瘤来训练网络进行分割是可行的，并且可以被视为一种替代方案，这是在节省医学专家注释肿瘤的时间和分割性能的轻微下降之间的权衡。
soummen basu
•领域：计算机视觉，深度学习•论文：超声检查的基于深度学习的胆囊癌检测•获得了高度声望的总理研究奖学金（授予印度前10名国家研究所的3.5％的博士学位学生）•开创了第一个基于AI的Gallbladder Cancel（GBC）检测模型（US）的CVPR 2022222.•通过基于AI的早期检测，创新的GBC检测的精确，高效且可解释的模型 - 将5年生存率从5％提高到57％。•发表在CVPR，MICCAI，医学图像分析和柳叶刀区域健康等高影响力国际场所发表。•在印度多家医院的物联网设备（Jetson）上设计了云应用程序原型和部署的模型，以实时临床测试。•计算机视觉，ML，数据结构课程的助教。获得了机器学习课程的杰出助教奖。
MSSEG-2 挑战赛论文集：使用数据管理和处理基础设施进行多发性硬化症新病变分割挑战赛
（法国多发性硬化症注册中心，旨在为研究目的收集法国多发性硬化症患者群体的影像数据、临床数据和生物样本）和 FLI 2（法国生命成像，致力于建立一个国家分布式电子基础设施来管理和处理医学影像数据）。这些共同努力旨在自动分割 MS 患者的 MRI 扫描，以帮助临床医生进行日常工作。该挑战赛于 2021 年 9 月 23 日在 MICCAI 2021 会议上举行。更具体地说，本次挑战赛要解决的问题如下。传统 MRI 广泛用于疾病诊断、患者随访、治疗监测，更广泛地用于了解 MS 的自然史。越来越多的文献对通过比较一个时间点与另一个时间点来在 T2/FLAIR 上描绘新的 MS 病变感兴趣。这种标记物比病变的总数量和体积更为重要，因为新病变的积累可以让临床医生了解某种抗炎 DMD（疾病改良药物）是否对患者有效。药物疗效的唯一指标确实是中枢神经系统内没有新的 T2 病变。但是，手动执行新病变计数是一项非常复杂且耗时的任务。因此，自动检测这些新病变将成为评估患者疾病活动性的一大进步。基于第一次 MSSEG 挑战赛的成功，我们组织了一次由 MICCAI 赞助的在线挑战赛，这次的主题是新的 MS 病变检测 3。这次挑战赛使我们能够 1）估计 2016 年至 2021 年期间取得的进展，2）扩大患者数量，以及 3）关注新病变这一关键临床标记物。我们对一个大型数据库（100 名患者，每人有两个时间点）执行了评估任务，该数据库是从 OFSEP 队列汇编而成，其中包含来自不同中心和扫描仪的 3D FLAIR 图像。与之前的挑战一样，我们在专用平台 (FLI-IAM) 上进行了评估，以自动化评估并消除挑战者看到进行评估的图像而产生的潜在偏见。
使用实例和实体中心分割损失函数
在本文中，我们提出了一种新型的两组分损失，用于生物医学图像分割任务，称为实例和实例中心（ICI）损失，这是一种损失函数，在使用像素损失功能（例如骰子损失）时，通常会遇到实例不平衡问题。实例组件改善了具有大型和小实例的图像数据集中的小实例或“斑点”的检测。实体中心组件提高了整体检测准确性。我们使用ATLAS R2.0挑战数据集的Miccai 2022。与其他损失相比，ICI损失提供了更好的平衡分段，并以改进1的改善而显着超过了骰子损失。7-3。7％，斑点损失为0。6-5。0％的骰子相似性系数在验证和测试集中，这表明ICI损失是实例不平衡问题的潜在解决方案。关键字：实例和实体中心细分损失，细分损失。
医学图像计算的可重复性
医学图像计算 (MIC) 致力于通过计算方法分析医学成像数据并通过实验对其进行评估。因此，它是一门实验科学。可重复性是所有实验科学进步的基石。与许多其他领域一样，人们主要担心 MIC 的可重复性不令人满意。然而，可重复性不是一个单一的概念，而是一个范围，研究人员经常误解它。此外，尽管已经采取了一些措施来促进 MIC 社区的可重复性，但目前尚不清楚这些措施是否有效。本章的目标有三个：i) 为读者提供 MIC 可重复性的必要概念；ii) 描述已实施的措施并评估其中一些措施；iii) 概述可能采取的一些新行动。本章首先介绍一个概念框架，该框架区分了不同类型的可重复性以及可重复研究的主要组成部分。然后，介绍 MICCAI（医学图像计算）当前如何评估可重复性