HIT Webinar | [刘沛榕 约翰霍普金斯] 医学影像处理中的鲁棒性与物理驱动的可解释性

医学影像处理中的鲁棒性与物理驱动的可解释性

北京时间2025年10月17日晚上20:00

#腾讯会议:531-127-435

近年机器学习领域的快速进展为更快速、更准确的大规模数据分析提供了可能。然而，尤其是在临床床边的多样化实践中，依赖于理论的算法往往难以完全覆盖实际应用场景。本次报告首先将介绍嘉宾开发的一系列基于物理的学习方法(MICCAI’ 20, TMI’ 21CVPR ‘ 21 0ral, CVPR‘ 22 0ral)。这些方法能够连续重建脑灌注成像时间序列，为中风诊断提供可解释的表征，并显著提升病灶检测性能。其次将介绍嘉宾在医学影像多模态图像生成以及表征学习方面的工作(ECCV‘ 24, MICCAI‘ 24，CVPR‘ 25，FreeSyrfer SuperSynth工具箱)，这些方法致力于构建鲁棒和表示性广泛的基础模型。在霍普金斯, 嘉宾计划继续探索真实临床场景下的物理驱动方法，开发用于实时预测介入治疗后患者结局的交互式模型。同时继续致力于开发鲁棒且泛化的算法，以帮助提升诊断性能并推动全球可及医疗的发展。END