查看原文
其他

喜讯 | 港中大(深圳)理工学院大四学生闫子正在国际顶级会议ISBI发表论文



近日,香港中文大学(深圳)理工学院大四计算机科学与技术专业闫子正同学为第一作者的论文被2019 IEEE生物医学成像国际会议收录。IEEE生物医学成像国际会议是由IEEE信号处理学会(SPS)和IEEE生物医学工程学会(EMBS)联合倡议发起的,享有很高的国际学术声誉。论文由韩晓光教授、崔曙光教授等老师指导。










闫子正

2015级理工学院、逸夫书院学生

高中毕业于河南省淮滨高级中学




闫子正同学是我校理工学院计算机科学与技术专业的大四学生,他是深圳市大数据研究院研究助理,隶属于逸夫书院。他曾任商汤科技研究院见习研究员。目前,他的研究兴趣主要是机器学习理论。



论文介绍

论文题目

Learning Mutually Local-global U-nets for High-resolution Retinal Lesion Segmentation in Fundus Images

论文摘要

糖尿病视网膜病变是糖尿病最重要的并发症。视网膜病变的早期诊断有助于避免失明。由于眼底成像分辨率高且病变区域通常尺寸很小,应用现有方法(例如U-Nets)来对病变区域进行分割是非常具有挑战性的。虽然对输入图像进行下采样可以将问题简化,但会丢失局部的细节信息。基于分块分析的方法有助于实现精细分割,但由于缺乏全局上下文信息通常会导致误报。论文将两个思路结合在一起提出了一种高效的深度神经网络结构,使得在进行分割的过程中不仅可以感知到细节信息也可以很好地利用全局上下文信息。该网络结构是通过在全局级和分块级的U-net的解码器部分进行集成来实现的。论文也提出了对这两个网络流进行联合优化,以通过相互促进学习从而进一步提高算法的表现。实验结果表明,论文提出的新框架明显优于现有的基于分块和全局的方法。特别是当病变区域非常分散且尺寸非常小的时候,论文提出的方法表现尤为突出。

会议名称

2019 IEEE International Symposium on Biomedical Imaging (ISBI) (2019 IEEE生物医学成像国际会议)



学生感言


首先,很感谢各位指导老师的支持,他们的指导对该工作起到了很重要的作用。同时,该工作对我自己来说是一个很好的锻炼,虽然前期遇到了一些问题,但在教授的悉心指导和自己的努力下,最后都解决了。最后,很感谢合作伙伴,也很感谢大数据研究院的同学在截稿日期前把显卡借给我使用。


指导老师简介



韩晓光博士是我校理工学院研究助理教授。



他在2017年9月获得香港大学计算机科学专业博士学位。在此之前,他于2009年本科毕业于南京航空航天大学数学系,于2011年在浙江大学应用数学专业获得硕士学位,并于2011年至2013年间在香港城市大学担任研究助理。



韩博士于2017年9月加入香港中文大学(深圳)和深圳市大数据研究院,从事计算机科学领域的教学科研工作。他的主要研究方向包括计算机视觉,计算机图形学,人机交互以及医学图像处理。

















崔曙光教授是我校理工学院执行院长,深圳市大数据研究院副院长、未来智联网络研究院院长和香港中文大学(深圳)校长讲座教授。


他于2005年在美国斯坦福大学获得博士学位,先后在美国德州农机大学和加州大学戴维斯分校任助理、副、正、和Child Family讲席教授 崔教授的当前科研方向主要集中在数据驱动的大规模系统控制和资源管理。他已在国际一流期刊和会议上发表了近两百篇论文。


崔教授是IEEE信号处理协会2012年最佳论文奖获得者, 并曾担任多个IEEE国际会议的主席和程序委员会主席,多个国际期刊的编委(IEEE TBD, TSP, TWC, TVT, CL)和IEEE SPM的领域主编,是IEEE通信协会无线技术委员会(WTC)的主席 。崔教授在2013年当选IEEE Fellow(博士毕业后8年内当选,为IEEE历史上最快之一),并在2014年和2016年被分别任命为IEEE Transactions on Big Data和IEEE Transactions on Cognitive Communications and Networking 的Steering Committee委员。崔教授在2014年入选IEEE ComSoc Distinguished Lecturer, Thomson Reuters全球高被引科学家名单, 和ScienceWatch的全球最具影响力科学家名单。在2017年10月,基于其在物联网和数据分析领域的学术声誉,崔教授应阿里巴巴集团的邀请到杭州,做为13名科学家之一为阿里巴巴达摩院的成立提供了战略性意见。



指导老师点评


眼底图片的自动病变检测对预防眼部疾病具有非常重要的意义,因此也引起了很多研究者的关注。而该任务的难点在于图片的分辨率非常高且病变的区域非常小并同时伴有非常大的噪音。针对这些问题,我们基于深度学习技术提出了一种局部和全局联合学习的模型,并在这项任务上打败了现有所有的方法。该方法也获得了评审者的一致好评,他们也认为我们的方法对很多其他的医疗图像诊断任务具有很好的通用性。


闫子正同学具有很好的编程能力,并且对机器学习有着不错的理解。他在接近五个月的时间里尝试了各种想法并最终形成了有效的方法,获得了令人满意的结果。希望他在未来的科研生涯中再接再励,做出更好的工作!也欢迎对医疗图像处理领域感兴趣的同学加入我们的团队,共同探索人工智能时代下的未来医疗诊断。





—— -- —— -- ——

转载自香港中文大学(深圳)理工学院公众号  

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存