北卡罗来纳大学教堂山分校沈定刚教授2018年12月18日MICS在线学术讲座成功举办！[#18-01] MICS在线学术讲座：沈定刚
医学图像计算青年研讨会（Medical Imaging Computing Seminar，MICS）创立于2014年，其宗旨是为医学图像领域的华人青年学者提供学术交流平台，增进相互之间的了解和友谊，帮助青年学者融入学术研究大家庭。MICS聚焦于近两年内的医学图像计算领域原创研究，欢迎医学图像处理、计算机视觉、人工智能等新理论、新方法、新应用的展示，以及影像与临床医学、基础医学深度交叉的突破性进展报告。
首届MICS在医学图像领域著名学者、北卡罗来纳大学教堂山分校沈定刚教授的倡议下，于2014年12月在深圳大学举行。经过2015（济南）、2016（广州）、2017（上海）、2018（南京）的蓬勃发展，MICS从参会人数不足百人到吸引上千名专家学者参与，已迅速成为全国医学图像计算领域最具影响力的活动之一。
第六届医学图像计算青年研讨会将于2019年7月13-14日在苏州大学举办。在此，谨对本领域专家学者长期以来的大力支持表示感谢，并欢迎广大青年学者莅临苏州大学，积极参与MICS 2019，共同繁荣MICS大家庭！
在本次Webinar中，沈定刚教授基于其团队2018年最新的研究成果，分别从segmentation、parcellation、registration、classification、辅助诊断和治疗等方面进行了详细介绍，内容基本涵盖了医学图像处理的整个过程。最后沈定刚教授回答了观众所提出的相关问题。
问答环节
- 在做parcellation时，尤其是婴儿的，ground truth是怎么样的，怎样评价parcellation的好坏？
回答：评价parcellation的好坏我们一般有两种方式，一种是跟所谓的人工标注数据相比，第二是根据mathematical phantom，来比较分割结果跟相应的ground truth。 - PPT中讲到的方法或者code是否开源呢？
回答：我们鼓励开源并且现在很多code已经开源了，比如Nie Dong的方法(Medical image synthesis with context-aware generative adversarial networks)，发表在MICCAI 2017上的文章也已经citation一百多次。 - PPT中提到的论文可以下载么？
回答：可以下载，因为很多文章都是已经发表，包括在MICCAI或者Medical Image Analysis上。 - 第四个工作中，ASP Net网络中哪部分体现semi-supervised？
回答：首先我们用manual label的数据训练好网络，然后输入没有manual label的数据得到一个confidence map，confidence map中置信度高的区域可以当作新的label过的样本来继续训练网络，这里体现semi-supervised。 - 不同于传统方法的pipeline是指AI么？
回答：不仅仅指AI。 Typical pipeline中的每一个环节都可以使用deep learning， 但是typical pipeline中的各个环节是相互独立的， 没有交流。并不是说整个typical pipeline中不能用AI， 而是所有的network都是独立的，所以最后的结果是没法保证最优的。如果要解决一个问题，从最基本的图像预处理到最后的所谓特征提取或者分类，deep learning全部可以做，比如用landmark-based的方法。 - Landmark的ground truth是什么
回答：我们希望把landmark放到跟disease有关的病变区域，那怎么找到病变区域呢？ 假如有一堆正常图像和一堆老年痴呆症的图像，用非常复杂的方法做图像的分割、图像的配准，配准到标准空间。然后正常图像和病变图像做voxel-wise的比较，差别大的区域放landmark。 - 深度学习对脑龄研究的建议？做脑龄的预测有意义吗？
回答：给你一个image，你可以预测这个人会不会患老年痴呆症，这样的方法也可以预测年龄，方法上没有什么区别。你说的问题是有意义的。比如说有些人非常非常老了，但是他们的脑子可能很年轻。就像做骨龄分析一样，做骨龄分析可以预测一个小孩是否长的太慢了，或者说一个小孩可能十岁，但他的骨龄可能是十三、十四岁，也就是说后面再长高的可能性不大了，那是非常有意义的。做脑龄也是有意义的，现在国内有很多体检中心，做脑龄的检查可以评估脑子的健康成程度。现在很多方法并不是一定要做疾病的诊断，而是做健康管理，从这个层面上说，做脑龄的话是非常有意义的。 - 婴儿脑区分割技术什么时候进入临床？
回答：在国内进入临床的可能性应该是非常大，因为国内大的专科医院采用了很多图像，做自闭症的诊断，所以做出来的AI方法临床应用的可能性非常大。我认为在专科医院使用的可能性非常大。 - Confidence network 训练时输入是什么？
回答：输入是predicted mask和ground truth mask。我们希望confidence map上的每个位置都有high confidence，也是就说我们希望每一个区域都能够做一个很好的分割，这些分割好的区域也可以帮助我们进一步训练网络。 - 用deep learning做配准MRI和PET的时候，怎么用判别器表示两个patch是否配准好了？
回答：这就是我刚才所说的用discriminator network来判断是否配准。这里面有一系列技术方面的问题，比如说同时有MRI和PET的情况下，也就是配准好的图像可以作为ground truth。配准好的跟没配好的之间用一个weight，就是按照α 和(1-α)比例把他们加起来，就可以训练一个所谓的discriminator network。 - Spatial transformation network做配准的时候，训练需要已经配准好的图像作为输入吗？
回答：不是这样的，整个网络不需要已经配准好的图像，因为整个网络就是要做配准；它有一个loss function 是需要网络minimize的，这就意味着两个输入的image是否配准好了。 - 婴儿脑区分割，graph cut跟deep learning方法如何结合？
回答：这个非常简单，分割出来的结果相当于一个probability map，然后在probability map上用graph cut来改进分割结果。不过，我相信如果把这些过程在一个network一起完成的话，可能会做的更好。 - 如何看待深度模型的可解释性
回答：这个一直是大家非常关注的问题，特别是在medical image上的应用，我们不能把它作为一个黑箱，因为医生不光要知道结果，还要知道为什么。我们在这方面也做了不少工作，从network里面可以反向得到attention map，这样可以知道你做相应任务时，关注了哪些区域，可以部分达到可解析性。 - 我们目前用这些AI方法的引入，我们是不是能得到一些新的信息来引导我们分割，就说有没有什么启发，或者说AI发现了我们人类没有发现的规律。
回答：答案是肯定的。就像AlphaGo下棋，network可以discover一些非常好的下棋招数，人没有用过。这个在医学图像里面其实也是一样的，就像我刚才说的，输入整个image，network可以自动发现哪些区域对老年痴呆症有用，其中可能有些区域是医生以前从来不关心的区域，但对诊断非常有用，这样的话就形成了一个新的knowledge，使医生以后诊断时关注到这些区域。 - Densenet在人脑图像处理方面是不是比残差网络好一些？
回答：这非常难说，其实我没有介绍我们的另外一个工作，如果你去看一下我们今年的另外一篇的MICCAI工作，是我们的一个访问学生Zhou Sihang做的，他的network既包含了dense net又包含了残差网络，两个结合起来，可以得到更好的结果。其实很多情况下，一个方法并不一定比另外一个方法好多少，但是把这些方法的优点有机的结合起来，可以得到更好的结果。 - 医学图像处理方面，对初学者的建议？
回答：这其实是一个很好的问题，我想说学生们不要只学deep learning，任何一个技术过些年以后肯定不流行。如果你现在只知道deep learning，只知道调参数，但不知道里面的一些mathematical东西，那么这一波过了以后，你可能很难做一些深入的工作，可能对以后的工作也有影响。deep learning是一个非常好的工具，怎么样把deep learning跟传统的方法结合起来，超过那些只用deep learning的人，这点非常重要；所以我会让我的学生看一些非常经典的paper，虽然现在用不上，但是要知道这些经典方法的原理。我的原则是，不要只学一个技术，任何技术都是有用的。 如果只学deep learning不学其他方法，很难走得远。如果你学了很多领域的知识，知道怎样将deep learning和你领域知识结合起来，这样你可以做得比别人要好。所以说deep learning只是一个工具，把deep learning跟你认为好的一些方法结合起来，你可以做的更好。
沈定刚教授报告的视频链接:
https://pan.baidu.com/s/1vHURqdg51dhfgqO8zhEKlw 提取码: 5vts
沈定刚教授报告的PPT链接:
https://pan.baidu.com/s/1xgE2J4n0t8Hq04tsOBqwUg 提取码: sabk
录像视频在线观看地址：
（暂缺）
特别鸣谢本次Webinar主要组织者：
MICS Webinar责任委员：何晖光（中国科学院自动化研究所）
整理人： 王连生（厦门大学）、张春成（中科院自动化所）
活动须知
- MICS在线学术讲座依托在线直播平台进行，听众请点击直播链接https://live.polyv.cn/watch/267842（注：该链接为12月18日报告链接，该链接每期会和讲者信息一起更新）参加活动，支持安装 Windows 系统的电脑、MAC 电脑、手机等设备；手机客户端也可直接扫描二维码进入直播；
手机客户端可直接扫描二维码进入12月18日直播
2. 活动开始前 5 分钟左右，讲者会开启直播，活动时讲者会上传 PPT 或共享屏幕，听众可以看到 Slides，听到讲者的语音，并通过聊天功能与讲者交互；
3. 活动过程中，请不要说无关话语，以免影响活动正常进行；活动过程中，如出现听不到或看不到视频等问题，建议退出再重新进入，一般都能解决问题；建议通过速度较快的网络参加活动，优先采用有线网络连接;活动过程中，请不要说无关话语，以免影响活动正常进行；
4. 后续每期讲座信息，会通过MICS微信公众号“医学图像计算青年研讨会”（扫描下方二维码关注MICS 微信公众号）或MICS QQ 群（群号：641894878）进行通知（注：申请加入MICS QQ群时需验证姓名、单位和身份，缺一不可；入群后，请实名，姓名身份单位；身份：学校及科研单位人员T，企业研发I，博士D，硕士M）。
“医学图像计算青年研讨会”微信公众号
MICS在线学术讲座的模式和组织方式借鉴了很多 VALSE 的经验, 从 VALSE 得到了很多的启发，在此对 VALSE 组委会表示衷心的感谢，也祝愿 MICS 和 VALSE越办越好！