【MICCAI 2019 】Generative adversarial networks and adversarial methods in biomedical image analysis（基于生成对抗网络和对抗方法的生物医学图像分析），附223页PPT免费下载

报告主题： Generative adversarial networks and adversarial methods in biomedical image analysis

报告摘要： 生成对抗网络(GANs)是深度生成模型的一个强大的子类，目前不仅受到计算机视觉和机器学习社区的广泛关注，而且还受到医学成像社区的广泛关注。GANs背后的关键思想是两个神经网络共同优化:一个网络试图合成与真实数据点相似的样本，而另一个网络评估结果与样本参考数据库的一致性。使用GANs进行样本合成可能用于解决大型和不同的带注释数据库的不足。此外，在对抗性博弈中优化的两个网络的概念被用来提供额外的损失项，以提高现有图像分析方法的性能。对抗性方法已成功地应用于典型的医学图像分析中，如去噪、重建、分割和检测。此外，对抗性训练在半监督学习和异常检测等领域也有新的应用。在本教程中，我们将在五个部分中提供关于GANs和医学图像分析中的对抗方法的基础和高级材料。我们将着重于机器学习和计算机视觉文献中最先进的核心论文，以及它们与医学影像分析作品的关系。为了使这些概念具体化，我们将提供一些医学成像应用的例子，这些应用都来自我们自己的工作和其他人的工作。

邀请嘉宾：

Anirban Mukhopadhyay，达姆施塔特工业大学（德国）

Jelmer Wolterink，阿姆斯特丹大学医学中心（荷兰）

Konstantinos Kamnitsas，帝国理工学院（英国）

Jelmer Wolterink，阿姆斯特丹大学医学中心（荷兰）