报告摘要：近年来，学习方法在医学图像分析中得到了广泛的关注。传统的学习方法往往需要满足独立同分布（I.I.D.）假设。而对于医学图像而言，由于需要满足特定的约束关系（如相邻组织间的解剖信息），不同的组织（如细胞、图像块）所抽象出的特征、样本、模态之间，往往很难满足如此严格的理论条件，导致学习方法在一些应用中失效。报告将介绍研究组关于非独立同分布条件下的学习方法在医学图像分析应用中的一些进展，例如非独立同分布条件下的特征表示、特征选择、样本选择、集成学习等。

简介：目前任南京大学计算机系、南京大学计算机软件新技术国家重点实验室讲师，分别于2007年和2013年在南京大学计算机系获学士和博士学位，博士毕业以后留校任教。研究方向为医学图像分析、机器视觉与机器学习。曾于美国北卡罗来纳大学教堂山分校、澳大利亚悉尼科技大学、以及新西兰梅西大学进行长期学术交流访问。主持NSFC青年基金、江苏省自然科学青年基金、参加NSFC重点基金、江苏省自然科学重点基金、江苏省临床医疗专项，并且与百度、中兴等单位展开科研合作。目前在相关研究领域的期刊会议，如IEEE TPAMI、IEEE TBME、IEEE TNNLS、CVPR、IPMI发表文章超过20篇。担任若干国际会议（如ICPR）的程序委员，若干国际期刊（如IEEE TIP、TMI）的审稿人，合作主持2015年MICCAI-MLMI专题研讨会。