講座內(nèi)容：近年來，隨著計算機儲存能力和計算能力的快速增強，新的高通量的圖像分析與機器學習算法(如深度學習)被研究與開發(fā)，運用圖像計算方法分析高度復雜、異質(zhì)性高的醫(yī)學數(shù)據(jù)開始在疾病診斷的中起著關(guān)鍵作用。組織病理圖像分析是癌癥診斷的“金標準”?；诮M織病理圖像分析的計算機輔助診斷和預后系統(tǒng)不僅能夠避免人的主觀因素帶來的影響，而且能夠為醫(yī)生提供客觀、定量的分析結(jié)果。此外，還可以大大降低病理醫(yī)生的工作量。為了實現(xiàn)這一目標，近年來我們研究與開發(fā)了一系列基于深度計算的圖像分析方法以及病理組學特征定量地描述腫瘤，比如基于深度學習框架探索面向組織病理圖像分析的新方法，包括細胞核、腺體的檢測與分割、細胞核異形性自動評分、多種組織類型(比如上皮和間質(zhì)組織)的自動檢測與分割等等。在腫瘤定量化描述方面，運用了基于圖描述的空間結(jié)構(gòu)特征、形態(tài)和紋理特征等等。此外，為了融合多模態(tài)的數(shù)據(jù)，我們還在探索基于CT圖像，MRI圖像的腫瘤區(qū)域3D自動分割，以及基于放射組學特征的腫瘤定量化分析。報告中我將詳細介紹這些工作。