Learning anatomical representations with denoising autoencoders

Details

El meetup va a hacerse en la oficina de LambdaClass (https://lambdaclass.com) que está a unas cuadras del obelisco, en Tucumán 840 Piso 5 Departamento C. Si llegan y está cerrado, manden un mensaje a https://t.me/papersweloveba

Para el evento es recomendable que tengan conocimiento sobre Redes Neuronales Convolucionales. Pueden ver la siguiente charla como introducción:

https://tv.vera.com.uy/video/54701
https://drive.google.com/file/d/1DGQOyNvwUVC6BSQjNMdQJbTK3ys6b8BX/view

"Learning anatomical representations with denoising autoencoders: applications to medical image segmentation and registration"
por Enzo Ferrante

Los métodos basados en aprendizaje profundo han superado el estado del arte en la mayoría de los problemas abordados en el campo de la visión computacional y el análisis de imágenes médicas. Sin embargo, una de sus mayores limitaciones está asociada a la gran cantidad de datos necesarios para su entrenamiento. La incorporación de restricciones basadas en conocimiento previo del dominio permite aliviar este problema al incorporar información sobre la distribución de los datos o la estructura de la solución, para reducir así las chances de generar predicciones alejadas de la realidad. En esta charla, presentaremos el concepto de "denoising autoencoders" (DAE o auto-codificadores por eliminación de ruido), y veremos cómo puede ser utilizado para aprender representaciones no lineales de baja dimensión que modelen las variaciones anatómicas globales más importantes en bases de datos de imágenes médicas. Posteriormente, indagaremos sobre diferentes formas de incorporar dichas representaciones para mejorar el realismo de los resultados obtenidos al resolver los problemas de segmentación y registración de imágenes con Deep Learning.

En este sentido, estudiaremos el concepto de Redes Convolucionales Anatómicamente Restringidas (ACNN) originalmente propuesto para segmentación y super-resolución [1]. Además, discutiremos algunos de nuestros trabajos recientemente publicados sobre el uso de DAEs como método de post-procesamiento para segmentación de anatomía en imágenes médicas [2] y para mejorar el realismo de las deformaciones obtenidas al registrar estas imágenes [3].

[1]: O Oktay, E Ferrante et al. "Anatomically constrained neural networks (ACNNs): application to cardiac image enhancement and segmentation." IEEE transactions on medical imaging 37.2 (2017):[masked].
[2]: A Larrazabal, C Martinez & E Ferrante. "Anatomical Priors for Image Segmentation via Post-Processing with Denoising Autoencoders". International Conference on Medical Image Computing and Computed Assisted Interventions, MICCAI 2019 (Shenzhen, China).
[3]: L Mansilla, DH Milone & E Ferrante "Learning Deformable Registration of Medical Images with Anatomical Constraints". Neural Networks. In Press (Elsevier, 2020)

Bio: Enzo realizó sus estudios de grado en Ingeniería de Sistemas en la UNICEN (Tandil, Argentina), se doctoró en Informática y Matemática en el Center for Visual Computing de la Université Paris-Saclay y el INRIA (París, Francia), fue alumno visitante en la Universidad de Stanford (California, EEUU), realizó su postdoctorado en el Biomedical Image Analysis Lab del Imperial College London (Londres, Reino Unido) y a fines de 2017 volvió a la Argentina como investigador repatriado al sinc(i): Laboratorio de Señales, Sistemas e Inteligencia Computacional dependiente del CONICET y la Universidad Nacional del Litoral en la ciudad de Santa Fe Capital, donde trabaja en el desarrollo de métodos computacionales basados en aprendizaje automático para el análisis de imágenes biomédicas.