报名参加下一期 RISE-MICCAI 教程 – 2026年4月10日

脑肿瘤分割是医学图像分析中的一项重要任务，可实现 MRI 扫描中肿瘤区域的自动识别，支持诊断、治疗规划与疾病监测等临床工作。深度学习方法——尤其是 U-Net 架构——因在生物医学图像分割中的出色表现而被广泛采用。公开数据集如脑肿瘤分割（BraTS）数据集也通过提供标准化数据与基准，在推动研究方面发挥了关键作用。
本教程以面向初学者、注重实操的方式介绍基于深度学习的脑肿瘤分割。参加者将使用 BraTS 数据集，走完一套实践工作流，包括探索性数据分析、构建并训练 2D U-Net 模型、评估分割性能以及可视化模型预测。教程随后将这一方法扩展到 3D U-Net 模型，重点讲解 2D 与 3D 方法之间的关键差异。最后讨论实践中的挑战与局限，并提供医学图像分割进一步学习的资源。
Yasar Mehmood 在伊斯兰堡科姆萨特大学拉合尔校区（COMSATS University Islamabad, Lahore Campus）获得博士学位，其研究聚焦于开发资源高效的医学影像模型域适应预训练方法。攻读博士期间，他获得 NVIDIA 学术硬件资助（2022 年），并与多伦多大学的 Anne Martel 教授、亚利桑那州立大学的 Jianming Liang 教授合作开展医学 AI 研究。
他目前在巴基斯坦拉合尔的旁遮普信息大学（Information Technology University of the Punjab, Lahore）担任教学研究员，讲授本科计算机课程并指导硕士研究生。他当前的研究与 Jianming Liang 教授合作，聚焦面向医疗数据的基础模型。