Bayesian Deep Learning for Medical(贝叶斯深度学习在医学图像中的处理)，德克萨斯大学西南医学中心 Dan Nguyen

报告主题： Bayesian Deep Learning for Medical

报告摘要： 在过去的几年中，深度学习取得了飞速的发展，从而在许多医学图像分析任务中取得了显着的性能改善，包括解剖标志的检测，病理结果的分类，多个器官的语义分割以及医学报告的自动生成。虽然深度学习的大部分工作都集中在提高最终性能上，但是了解深度网络何时无法正常运行对于许多医疗和保健系统（尤其是那些具有较高安全标准的系统）至关重要。不幸的是，大多数现代深度学习算法无法可靠地估计深度网络的不确定性。如果没有用于模型高度不确定的故障安全模式，则系统可能会具有灾难性的行为，例如缺少明显的异常或包含种族歧视。

最近，人们对将贝叶斯方法与深度神经网络相结合以估计模型预测的置信度越来越感兴趣。尽管传统方法将深度网络视为确定性功能，但该功能只能为输入生成单个输出。相反，贝叶斯深度学习通过考虑训练数据和建模参数固有的随机性来计算每个输入的输出分布。这种分布可以估算输出的置信度。已经证明，基于随机正则化技术（例如丢包或可伸缩的蒙特卡洛干扰）的新方法可以捕获有意义的不确定性，同时可以很好地缩放至高维数据。根据深度学习对贝叶斯技术的重新研究已经产生了许多有希望的结果。

尽管它很重要，但在MICCAI社区中，对该主题的研究仍很少。本教程的目的是通过从理论，实践和未来方向方面全面介绍贝叶斯深度学习方法来弥合差距。该教程将邀请贝叶斯深度学习领域的领先研究人员介绍其最新技术，并深入说明该技术如何应用于选定的一组主题图像检测，分割和放射治疗。最近在2018年神经信息处理系统会议上举行的贝叶斯深度学习研讨会吸引了大量论文和受众。我们的教程有望对MICCAI产生相似的兴趣。

报告流程：

• 贝叶斯建模与变分推理简介
• 贝叶斯深度学习
• 贝叶斯深度网络的不确定性：DropConnect建模有效性
• 贝叶斯深度学习demo

邀请嘉宾：

Dan Nguyen，德克萨斯大学西南医学中心助理教授。

Pengyu“ Ben” Yuan，休斯顿大学算法（HULA）实验室的博士。他的研究兴趣是元学习和强化学习及其在医学图像分析中的应用。