南京大学史颖欢老师2019年06月04日MICS在线学术讲座成功举办！
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！
近年来，机器学习理论与方法在医疗AI应用中得到了广泛的关注。针对不同医疗AI任务，原始数据往往在“外在表征、内在结构、高层语义”上表现出不同层次的非独立同分布特性。面对上述挑战，往往在设计学习模型时候需要放松传统的非独立同分布假设来应对实际任务。在本次Webinar中，基于在非独立同分布学习及医疗AI应用方面的研究工作，史颖欢老师重点讲解了解决医疗数据分析中的高维小样本、复杂结构以及专业语义理解等学习难题，以及其在病理学样本识别、影像学图像分割与定位、面向医疗数据分析的模型设计与优化等方面的应用。最后，史颖欢老师回答了在线观众所提出的相关问题。
问答环节
- TIP2019的那篇文章相应地工作有没有开源？答：https://github.com/Qianyu1226/Crossbar-Net
- 横纵网络是怎么学习对应的横纵结果？
答：横纵网络衡量是通过针对相应的横纵块分类（分割）的结果来体现的。 - 肾肿瘤分割中连着拍的4张图中红色和蓝色的聚类块是什么？
答：红色表示前景，蓝色表示背景。 - 前景和背景块是怎么得到的？
答：是采样得到的，因为在训练集中有类标信息（分割标记），所以可以采样出前景块和背景块。 - 横着分割的结果是如何被纵向分割网络学习的？
答：横着分割的结果如果不好，也就是说这个位置横着分割（分类）效果不明显，那在这个位置可以采样其他的纵向块用来分割，即这个区域横向分效果不好，这个时候纵向分可能会改善横向分的结果。 - 报告中的这些方法是在医院的数据集上做的还是在公开数据集上做的？
答：有一些是在医院的数据集，也有一些是在公开数据集上做的，比如提到的Promise12、心脏分割以及TIP文章中的另外两个数据集都是在公开数据集上做的。 - 非独立同分布体现在哪里？是指图像数据的非独立同分布？非独立同分布对结果又什么影响？
答：非独立同分布概念指的是独立同分布的反面即为非独立同分布，我们在分析的时候为了缓解独立同分布这一严格假设，比如在降维的时候（PAMI15文章中），如果是全局的降维方法，那就是同分布的假设（假设不同区域服从同一分布）；如果把每个块切出来，每个块自己做降维，又是一个独立的假设（假设不同区域之间相互独立）。而我们联合特征块的降维方式属于非独立同分布的假设，效果更好。通过我们前期观察，非独立同分布对于一些分析任务尤其是针对医学数据在一些情况下效果会提升很大。 - 在分布式学习中，分组参数可以认为是把大数据问题拆分成了小数据吗？
答：分组参数是将大数据拆成很多小数据计算，并且在模型的计算上，做的是一个全局模型组模型的一个分组，也可以做模型结构之内的分组。 - 医院的数据与公开数据集相比，最终模型精度会不会有些差异？
答：不同的应用上面（比如MR、CT）会有差异，根据数据而定。 - 基于虚拟样本生成那部分的transfer是指传递已学习的模型吗
答：是的，虚拟生成的样本是把当前简单的任务慢慢变得更难，所以模型参数虽然是在简单数据集上训练的，但是通过不断往更难的方向去迁移，依然对于一些难分的数据集是有指导意义。 - 非独立同分布技术运用了domain adaptation的方法吗？两者有什么区别？
答：domain adaptation是两个域之间样本有差异，即他们不属于同一个分布的时候如何来做学习。区别是一个是假设，domain adaptation是一个具体的任务，也就是说在做domain adaptation的时候肯定要考虑到源域和目标域不属于同一个分布的。 - Crossbar-Net那篇文章，对比的模型2D-CNN，3D-CNN分别指的是什么？是U-Net结构的吗？
答：文章中的对比模型是一个2D的分割网络和一个3D的分割网络，采用不同的卷积核来做分割；模型不是U-Net，它是采用对于patch的分类模型，因此我们模型存储空间很小。 - 测试集小的话，得到的结果往往波动较大，模型波动太大的话，多次实验以获取平均结果有没有意义？
答：测试集如果小的话，可以做多个数据集的实验，不一定非要在小的一些数据集上，如果想要确定模型好不好可以在不同数据集上做验证。 - 前边某一页ppt有提到ROI crop，这个corp是做了二次分割进行的ROI crop，还是用了譬如heat map或者rpn这样的技术做的？
答：用ROI crop是直接在中间crop，没有用rpn或者heat map来做，根据最简单的目标基本上不是黑色的，所以我们把黑色周围的区域都会切掉。
史颖欢老师报告的slides链接：
https://pan.baidu.com/s/1aJ98mFc4XNXqxk0X1mBOyg
提取码：e3ls
特别鸣谢本次Webinar主要组织者：
魏本征（山东中医药大学）
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！
