南京航空航天大学张道强教授2019年01月08日MICS在线学术讲座成功举办！[#19-01] MICS在线学术讲座：张道强
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，张道强教授基于其团队2018年最新的研究成果，分别介绍了脑影像分析的基本方法，基于机器学习的脑影像／脑网络智能分析及其在脑疾病早期诊断、影像遗传学、脑认知与脑解码中的应用。最后张道强教授回答了观众所提出的相关问题。
问答环节
- 不同参数的数据怎么一起处理？功能和结构像都不一样的？
回答：不同参数的数据通常是分别处理，结构像和功能像匹配后进行处理。 - PPT中讲到的方法或者code是否开源呢？
回答：已经开源了一个fMRI处理与分析的工具箱：easy fMRI，欢迎访问网站：https://easyfmri.github.io/ - 如何將brain MRI圖像抽象化為一個graph的？
回答：取决于具体数据，以fMRI为例，对大脑进行分割等操作，每个voxel的时间序列，求每个脑区的时间序列，并求Pearson相关。只要将每个脑区看成一个node，二脑区间的关联或相关性看成node间的边。此时，brain MRI就可以抽象为一个权重图。为了简化分析，通常需要将权重图通过阈值的方法转化为二值图进行分析。也可以用超图构建脑网络。 - 请问在您说的这么多方法中，您觉得哪类工作的效果最好？
回答：一般来说发表越晚的工作，效果越好。参考最新研究工作。 - PET与MRI提取共同区域的特征过程，需要做多模态配准么？
回答：我们一般把PET图像align到对应的MRI上。 对MR，进行ROI分割，提取ROI灰质体积作为特征。 - 不同中心数据的机器学习，怎么处理？您刚刚推荐的文献，能分享下吗？
回答：我们在MICCAI2018论文中提出了一种基于低秩表示的多中心数据融合方法，论文题目是” Low-Rank Representation for Multi-Center Autism Spectrum Disorder Identification.” 大致思想是把不同center数据投影到一个latent space，以消除不同center数据异质性带来的负面影响。 - 在做医学影像的过程中有哪些克服有标注数据量小的经验，或者标注可能有一定错误这些困难？
回答：可以用迁移学习解决小样本问题，用其它类疾病进行迁移，例如帕金森之类的迁移到AD，方法上需要改进。可以关注西工大夏勇教授工作。关于标注错误可借鉴机器学习界一些专门研究label noise的工作，如标记分布学习（Label Distribution Learning）等。 - 在利用不同Altas进行特征提取的时候进行分类的时候，不同altas提取出来特征进行分类的结果差异大吗？
回答：在我们HBM2015论文(“View-centralized Multi-atlas Classification for Alzheimer’s Disease Diagnosis”)中发现，用不同atlas分别做分类时，分类结果有一定差异，例如，分类精度方差~5%。把不同atlas的特征集成后分类效果有明显提升。 - 请问超图形成的矩阵的秩有什么性质？
回答：这是个非常好的问题，下一步工作将分析超图对应矩阵的性质。 - 不同磁共振仪器采集的图像要如何处理、多中心数据如何处理才能统一建模？
回答：如前所述，我们在MICCAI2018论文中提出了一种基于低秩表示的多中心数据融合方法，论文题目是” Low-Rank Representation for Multi-Center Autism Spectrum Disorder Identification.” 大致思想是把不同center数据投影到一个latent space，以消除不同center数据异质性带来的负面影响。目前可以用深度学习的方法来实现这一过程，即为多中心数据学习共同的特征表示，同时保持不同中心的独特表示。 - 基因表型信息如何结合脑网络？
回答：把脑网络最为一个内表型，基因作为输入，两者之间求关联分析。有相关工作可以将两者合在一起做，可以查阅相关论文。 - 脑网络分析和一般的图分析 主要的区别在于哪些地方呢？
回答：不同于一般的图，脑网络分析，每个节点都对应特定的脑区，因此，图中每个节点都是唯一的。 - 请问老师你们有考虑过使用更加接近神经的网络结构而不是用卷积网络提取特征吗？
回答：这个想法挺好的。这方面工作暂时还没进行。如有兴趣，可以合作交流。 - 深度学习过程，由于一些标注存在人为的失误，标注区域存在非目标内容，请问有什么方法可提高计算loss值精度？
回答：可以从两个方面进行处理，第一是将含有错误标签的数据进行剔除，或将数据整体剔除，也可以将标签剔除，使用半监督的方法学习。第二种是使用标签噪声的方法去处理这个问题，在问题建模时使用含有标签噪声的模型去处理这个问题。 - 你做的精度越来越高，有没有overfitting？
回答：overfitting一般是指模型对训练集数据的过拟合，而对测试集的新数据推广性不好。我们论文中分类实验设置都是基于交叉验证（比如10-fold cross-validation），在训练集上学习分类模型，在测试集上报告分类精度，部分避免了overfitting的问题。不足是目前还主要是在同一个数据集上划分训练集和测试集，未来应该增加在独立新数据集上的验证。 - 迁移学习中相关任务是怎么选择呢？更容易分类？样本量更大？
回答：要求任务之间存在相关性，机器学习中有相关方法进行选择。可以参考相关文章。 - 脑网络构建脑区划分的模板如何选取呢？
回答：根据研究的需要，选用不同的模板，通常用AAL模板比较多。其它模板有HarvardOxford模板，蒋田仔老师团队的246脑区模板都可以使用。 - 用复杂的机器学习模型做分类或者回归，解释性会不会很差？
回答：机器学习中有个问题叫“奥卡姆剃刀”，模型越复杂，容易过拟合，泛化性能差。每种方法仅局限于特定的问题。现在有一种新的研究方向，鲁棒机器学习。机器学习解释性问题，也是一个新研究方向。
张道强教授报告的视频链接：
http://www.iqiyi.com/w_19s69iaaj5.html#vfrm=16-1-1-1
张道强教授报告的PPT链接：
https://pan.baidu.com/s/1zZeyyNU-7Hlvhpee7NCjpQ 提取码: w65g
特别鸣谢本次Webinar主要组织者：
MICS Webinar责任委员：杨欣（华中科技大学）
整理人： 杨欣（华中科技大学）
活动须知
- MICS在线学术讲座依托在线直播平台进行，观众请点击每期直播链接参加活动，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；
- 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，观众可以看到Slides，听到讲者的语音，并通过聊天功能与讲者交互；
- 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；
- 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！
