2024年12月16日上午，詹姆斯库克大学助理教授Euijoon Ahn应邀做客上海交通大学转化医学研究院STAR青年学者论坛，带来了题为“Unsupervised/self-supervised deep learning for medical image analysis”的学术报告。报告吸引了来自上海交通大学转化医学研究院、生物医学工程学院、化学化工学院、电子信息与电气工程学院等单位的师生到场聆听，本次论坛由上海交通大学转化医学研究院毕磊副教授主持。

在报告中，Euijoon Ahn教授指出，虽然有监督的深度学习方法已在医学影像分析领域取得了重要突破，但这些方法对大规模标注数据的依赖性极高，标注过程耗时且昂贵，且由于需要专业技能，标注质量可能存在主观性误差。为了解决这些问题，Euijoon Ahn教授强调，无监督学习和自监督学习技术的出现为医学影像分析开辟了新路径，通过利用未标注的大规模数据，挖掘影像中的潜在语义信息，不仅能够减少对标注数据的依赖，还能在某些场景中实现与有监督方法相媲美的效果。Euijoon Ahn教授系统介绍了无监督学习与自监督学习的基础原理与最新进展，并展示了这些方法在医学影像分割、图像检索、定量分析和分类任务中的应用案例。例如，通过在无标注的大规模数据集上进行自监督预训练，模型能够自动学习到数据的内在结构和特征表示，从而在后续的下游任务中表现出色。Euijoon Ahn教授分享了他团队在这一领域的最新研究框架，并详细介绍了几种创新的无监督和自监督学习模型，这些模型能够在缺乏标注数据的情况下，实现高质量的图像分割、检索和定量分析。

报告结束后，Euijoon Ahn教授与现场师生就自监督学习的预训练策略、面部心率检测的实际应用场景及光照条件的影响等关键技术问题展开了深入互动，引发了现场师生的浓厚兴趣。

主讲人介绍

Euijoon Ahn is an Assistant Professor at the College of Science and Engineering, James Cook University. Prior to this, he was a postdoctoral research fellow at the School of Computer Science, The University of Sydney. He has produced top-tier publications in the area of computer vision and medical image computing, including papers in IEEE T-MI, T-BME, JBHI, MedIA, PR, CVPR, AAAI and MICCAI. His research focus is on the development of Machine Learning and Deep Learning, Computer Vision and, more specifically, unsupervised and self-supervised deep learning models for biomedical image analysis, for improving image segmentation, retrieval, quantification and classification without relying on labelled data. He also works at the coalface of translational health technology researches, e.g., health data analytics and telehealth.