报告主题：Deep CT Imaging by Unrolled Dynamics
时间：2020年11月27日下午14:00-16:00
地点：腾讯会议 675 479 415
报告人：董彬
报告摘要：In this talk, I will start with a brief review of the dynamics and optimal control perspective on deep learning (including supervised learning, reinforcement learning, and meta-learning), especially the so-called unrolled dynamics approach and its applications in medical imaging. Then, I will present some of our recent studies on how this new approach may help us to advance CT imaging and image-based diagnosis further. Specifically, I will focus on our thoughts on how to combine the wisdom from mathematical modeling with ideas from deep learning. Such combination leads to new data-driven image reconstruction models and new data-driven scanning strategies for CT imaging, and with a potential to be generalized to other imaging modalities.
报告人简介：董彬，北京大学，北京国际数学研究中心长聘副教授、人工智能研究院数理基础中心主任。2003年本科毕业于北京大学数学科学学院、2005年在新加坡国立大学数学系获得硕士学位、2009年在美国加州大学洛杉矶分校数学系获得博士学位。博士毕业后曾在美国加州大学圣迭戈分校数学系任访问助理教授、2011－2014年在美国亚利桑那大学数学系任助理教授，2014年底入职北京大学。主要研究领域为应用调和分析、反问题计算、深度学习及其在图像和数据科学中的应用。在理论上，与合作者一起将图像领域独立发展近30年的两个数学分支（PDE/变分方法和小波方法）建立深刻的理论性联系。该理论研究提高了我们对这两类方法的认识，也开拓了的思维，从而诱导出了一些新的图像处理算法，在医疗影像分析中得到成功的应用。该理论工作也激发了董彬团队在深度学习理论基础方面的研究，是神经网络和PDE之间联系的关键。董彬团队目前的研究方向是探索模型驱动与数据驱动的融合、科学计算与机器学习的融合，用数学理论指导深度学习、用机器学习辅助科学计算，设计能够从复杂动态数据中发掘科学规律的模型和算法，助力科学探索和临床决策。