应计算机与信息安全学院、广西图像图形与智能处理重点实验室及人工智能学院共同邀请，广东省人民医院、广州市第一人民医院陆铖、韩楚、陈鑫将于4月27号上午在金鸡岭校区图书馆305进行讲学，欢迎广大师生踊跃参与。

主讲人:陆铖

题目：数字病理人工智能及其在肿瘤诊断和预后中的作用

时间：2023.4.27上午 9:00-9:40

地点：金鸡岭校区图书馆305

报告人简介：陆铖，副研究员，主要从事精准医学、组织病理学医学图像处理与分析、模式识别、数字与视频图像分析分析等方面的研究。现于广东省医学影像智能分析与应用重点实验室进行科学研究工作，主持国家自然科学基金优秀青年基金（海外）一项和面上项目一项。2013年博士毕业于加拿大阿尔伯塔大学。曾任美国凯斯西储大学生物医学工程学院任研究助理教授。曾主持美国国防部乳腺癌突破研究项目一项（3年57万美元），以Co-PI参与NIH-R21口腔癌研究项目一项。曾主持国家自然科学基金青年基金项目一项，参与国家自然科学基金项目十余项。主持教育部留学回国人员启动经费、陕西省自然科学基础研究计划-青年人才项目，面上项目及中央高校基本科研业务费项目各一项，期间研究成果获陕西省科学技术奖（自然科学奖二等奖）及陕西高等学校科学技术奖（一等奖）。近5年来在《Lancet Digital Health》、《Medical Image Analysis》、《The Journal of Clinical Investigation》、《Modern Pathology》、《Journal of Translational Medicine》和《Pattern Recognition》等国际知名SCI期刊及重要国际会议上发表论文四十余篇，授权及申请美国专利9项。在近期研究中，提出一系列从组织病理图像中定量提取“亚视觉”特征的新方法及新思路，并将这些新特征应用在口腔、口咽、乳腺和肺部等癌症诊断及预后模型的构建中。

报告内容：组织病理图像中包含海量组织及细胞形态信息，这些信息往往和病患癌症的诊断及预后信息相关联。应用数字组织病理学切片进行自动定量分析，比传统的人工分析更加客观全面，且能进一步发掘重要的“亚视觉”特征及新的“数字生物标记物”。因此挖掘有效的组织形态学特征，结合传统临床变量，去构建癌症诊断及预后模型，是目前研究的热点。报告中我首先将简单介绍数字病理人工智的背景和基本概念，然后大家一起分享课题组近期的工作，其中包括度量局部细胞核簇之间交互作用的特征，度量局部细胞核多样性的特征，度量胶质纤维方向混乱程度的特征，及其在非小细胞肺癌，乳腺癌预后和口咽癌症分类中的应用。

主讲人:陈鑫

题目：结直肠癌CT影像自动检出与分割

时间：2023.4.27上午9:40-10:20

地点：金鸡岭校区图书馆305

报告人简介：陈鑫，广州市第一人民医院放射科副主任医师，硕士研究生导师，美国哈佛大学附属布莱根妇女医院访问学者。近年来，一直从事医工交叉研究，研究方向是医学图像大数据挖掘研究，以第一／通讯作者[含共同]发表SCI论文十余篇，主持包括国家自然科学基金青年项目、面上项目、广州市科技计划重点项目等多项课题。

报告内容：结直肠癌的发病率及死亡率逐年呈上升趋势，早期检出并明确诊断是改善结直肠癌预后的有效方法。CT检查是结直肠癌诊疗的重要手段，但CT图像传统评估方式对结直肠癌的早期检出率低、定性诊断难，制约结直肠癌的预后改善。随着人工智能技术在医学影像领域的蓬勃发展，其为结直肠癌的自动检出和分割带来机遇，我们基于回顾性多中心结直肠癌CT影像数据，构建人工智能模型，实现CT影像上胃肠道病变的自动检出、分割和诊断，最终为胃肠病变的诊疗提供临床辅助决策。

主讲人:韩楚

题目：基于深度学习的肿瘤病理图像快速分割算法

时间：2023.4.27上午10:20-11:00

地点：金鸡岭校区图书馆305

报告人简介：韩楚，广东省人民医院放射科，广东省医学影像智能分析与应用重点实验室，特聘副研究员，广东省杰出青年基金获得者。2019年博士毕业于香港中文大学计算机科学与工程专业。研究方向为医学人工智能，肿瘤计算病理，医学图像处理，计算机视觉等。先后主持海外博士后人才支持项目，国自然青年基金项目，广东省杰出青年项目等。现担任10余个国际重要会议和杂志的审稿人，共发表会议和期刊论文40余篇，包括TPAMI，Medical Image Analysis，TMI，TNNLS，CVPR，ECCV，Siggraph Asia等。

报告内容：病理切片是肿瘤诊断的金标准，蕴含海量且复杂的肿瘤微环境信息。利用计算机算法对其进行深度分析，有望揭示肿瘤的发生、发展、复发、转移、疗效和预后等机制，推动肿瘤精准诊疗。病理图像分割是计算病理领域最重要的前置任务，其中包括细胞核分割和组织分割。它可以帮助计算机算法“认识”复杂的病理图像。尽管卷积神经网络在病理图像分割任务中已取得优异的性能，但它们仍需海量的数据标注支撑模型的训练。然而，病理图像标注的获取困难耗时且极具挑战。为了克服上述标注挑战，我们提出了一系列病理图像分割和识别算法，改善标注方式提升医生标注效率，减少标注需求加速标注获取，从而极大减轻医生的标注负担。