Работа конференции организована в форме пленарных и проблемно-тематических заседаний и заседаний «круглого стола». Пленарные доклады будут представлены по основным направлениям работы конференции.

Пленарные доклады:

Фото докладчикаИмя докладчикаНазвание докладаАннотация

Михалис Зервакис — проректор Технического Университета Крита Сравнение традиционных способов обработки изображений и подходов, основанных на применении глубокого машинного обучения, в медицинской диагностике Традиционная обработка изображений предоставила эффективные методологии для извлечения информации в медицинской среде и для таких задач, как сегментация, классификация тканей, регистрация, трехмерная реконструкция и аномалия / идентификация опухоли на ранних стадиях. Строгое формирование алгоритмических конвейеров таких схем было недавно поставлено под вопрос в связи с предлагаемой подходами глубокого обучения скоростью и точностью и, в частности, с использованием сверточных нейронных сетей (CNN). Хотя показано, что глубокие CNN достигают высокой точности, они работают как черный ящик с несколькими слоями нелинейностей, что трудно интерпретировать врачам и / или экспертам-радиологам. Другая проблема глубокого обучения связана с аспектами переобучения, которые делают обобщение предсказаний весьма ненадежным. В отношении интерпретируемости схем глубокого обучения появились результаты, такие как обоснование прогнозов глубокой CNN на основе созданных карт значимости. Кроме того, разность между входным изображением и его восстановлением из представления формирует другой подход для идентификации значимых областей в изображении, которые вносят значительный вклад в обучение CNN. Основная проблема в глубокой интерпретируемости CNN связана с обоснованием предсказаний семантически значимым образом, чтобы сеть могла обеспечить прозрачные процедуры классификации. Это имеет особое значение в медицинской визуализации, где сложность содержания ткани и используемые методы часто приводят к значительному отклонению даже от людей, оценивающих результаты.      В этом исследовании мы пытаемся связать традиционный медицинский конвейер с уровнями обработки глубоких нейронных сетей, чтобы обеспечить концептуальную интерпретацию этапов обучения и назначить оправданную роль каждому модулю глубокого образования CNN. Мы связываем сверточные слои с вейвлет-фильтрами, этапы объединения с понижающей дискретизацией и полностью соединенные слои с пространственными преобразованиями (такими как PCA, LDA или даже расширение пространства, как в SVM), которые обеспечивают более эффективное пространство для кластеризации, классификации и сегментации , Мы также представляем несколько коммерческих инструментов и баз данных для эффективного проектирования подходов глубокого обучения.
Авторизация
*
*
Регистрация
*
*
*
Генерация пароля