Skip to content. Skip to navigation
CIM Menus
You are here:  CIM CIM Seminars Upcoming Seminars

CIM Seminar Series

CIM invites speakers with diverse interests to present seminars to its community on a regular basis. The details of next seminar scheduled are shown below. If the next seminar hasn't yet been scheduled, please check back soon. In the meantime, an overview of all seminars (past & future) can be perused by following the "All Seminars" link below.

SOCS Colloquium

Imaging Brain Disorders


Sylvain Bouix
Psychiatry Neuroimaging Laboratory, Department of Psychiatry Brigham and Women’s Hospital, Harvard Medical School

October 18, 2019 at  1:30 PM
Wilson 105

Abstract:

Modern neuroimaging techniques, in particular Magnetic Resonance Imaging (MRI), have revolutionized the study of the human brain in health and disease. MRI provides refined structural and functional information about the brain in vivo, allowing neuroscientists to investigate brain disorders with unprecedented sensitivity and specificity. The need to process, analyze and interpret the information contained in large MRI datasets has also provided opportunities and challenges for computer scientists to develop algorithms to facilitate the analysis of medical images. In this presentation, I will provide an overview of the technical and clinical work being conducted at the Psychiatry Neuroimaging Laboratory at Harvard Medical School, with a special focus on the analysis of diffusion MRI (dMRI). dMRI is a leading and unique modality for studying the human brain’s tissue microstructure and structural connectivity in vivo, and is extensively used by clinicians and researchers (over 300,000 publications in Google Scholar) to identify changes that accompany brain disorders and to understand how the brain develops and ages.

Bio:

A computer scientist by training, Sylvain has been working with the Psychiatry NeuroImaging Laboratory since 2003. He received his B.Eng. from Institut Polytechnique de Sevenans, France his M.Sc. from the University of Kansas and his Ph.D. from McGill University. His research interests include shape analysis of anatomical structures and evaluation of medical imaging techniques. His main duty is to act as a mediator between computer scientists and neuroscientists to help improve computer tools for neuroimaging studies.

Ph.D. Oral Defence

Medial measures for recognition, mapping and categorization


Morteza Rezanejad
School of Computer Science McGill University

October 18, 2019 at  3:00 PM
McConnell Engineering Room 603

Version française à suivre
ABSTRACT:

Visual shape analysis plays a fundamental role in perception by man and by computer, allowing for inferences about properties of objects and scenes in the physical world. Mathematical approaches to describing visual form can benefit from the use of representations which simultaneously capture properties of an object's outline as well as its interior. Motivated by the success of medial models, this doctoral thesis revisits a quantity related to medial axis computations, the average outward flux of the gradient of the Euclidean distance function from a boundary, and then addresses three distinct problems using this measure. First, I consider the problem of view sphere partitioning for view-based object recognition from sparse views. View-based 3D object recognition requires a selection of model object views against which to match a query view. Ideally, for this to be computationally efficient, such a selection should be sparse. To address this problem, I introduce a novel hierarchical partitioning of the view sphere into regions within which the silhouette of a model object is qualitatively unchanged. To achieve this, I propose a part-based abstraction of a skeleton, as a graph, dubbed the Flux Graph, which allows for views to be grouped. Next, I consider the problem of mapping an initially-unknown 2D environment from possibly noisy sensed samples via an on-line procedure which robustly computes a retraction of its boundaries to obtain a topological representation. Here I devise an algorithm that allows for online map construction with loop closure. I demonstrate that the proposed method allows the robot to localize itself on a partially constructed map to calculate a path to unexplored parts of the environment (frontiers), to compute a robust terminating condition when the robot has fully explored the environment, and finally to achieve loop closure detection. I also show that the resulting map is stable under perturbations to the sensed boundary, and to variations in starting locations for exploration. Finally, I consider the problem of scene categorization from complex line drawings. In the context of human vision, we show that local ribbon symmetry between neighboring pairs of contours facilitates the categorization of complex real-world environments by human observers. In the context of computer vision, I demonstrate a high level of performance in the problem of convolutional neural network-based recognition of natural scenes from line drawings, even in the absence of color, texture and shading information. I then show that the inclusion of medial-axis based contour salience weights leads to a further boost in recognition performance, adding useful information that does not appear to be exploited when the neural networks are trained on contours alone.

ABSTRACT:

L'analyse de la forme visuelle joue un rôle fondamental dans la perception par l'humain et par l’ordinateur, qui permet de déduire des propriétés d’objets et de scènes du monde physique. Les approches mathématiques pour décrire la forme visuelle peuvent bénéficier de l'utilisation de représentations qui capturent simultanément les propriétés du contour d'un objet ainsi que son intérieur. Motivée par le succès des modèles médiaux, ma thèse de doctorat revisite les calculs liés à l’axe médian et aux flux sortants moyens du gradient de la fonction de distance euclidienne à partir d’une frontière, puis propose des solutions à trois problèmes distincts en utilisant les résultats. En premier lieu, je considère le problème du partitionnement d’un vue sphérique pour la reconnaissance d’objet basée sur des vues fragmentées. La reconnaissance d'objet 3D basée sur un modèle, nécessite une recherche dans une base de collection, d’un modèle de l’objet de la requête de comparaison. Idéalement, pour que cela soit efficace sur le plan informatique, une telle sélection devrait être éparse. Pour résoudre ce problème, j'introduis un nouveau partitionnement hiérarchique de la vue sphérique en régions dans lesquelles la silhouette d'un objet modèle reste qualitativement inchangée. Pour ce faire, je propose une abstraction basée sur les parties du squelette, sous forme de graph, appelé « Flux Graph », qui permet de regrouper les vues. Ensuite, je considère le problème de la cartographie d’un environnement 2D initialement inconnu, à partir d’échantillons images ayant du bruit, via une procédure en temps réel qui calcule de manière robuste, une rétraction de ses limites pour en extraire une représentation topologique. Ici, j’ai conçu un algorithme qui permet la construction de cartes en temps réel avec une fermeture de la boucle. Je démontre que la méthode proposée permet au robot de se localiser sur une carte partiellement construite afin de calculer un chemin vers des parties inexplorées de l’environnement (frontières) afin de calculer une condition de fin robuste lorsque le robot a entièrement exploré l’environnement, puis de réaliser une détection de fermeture de la boucle. Je démontre également que la carte obtenue est stable en cas de perturbation des frontières détectées et des lieux de départ de l'exploration. Enfin, je considère le problème de la catégorisation des scènes à partir de dessins au trait complexes. Dans le contexte de la vision humaine, nous montrons que la symétrie de lignes parallèles (rubans) entre des paires de contours voisins facilite la catégorisation d'environnements complexes du monde réel par les observateurs humains. Dans le contexte de la vision par ordinateur, je démontre un haut niveau de performance dans le problème de la reconnaissance convolutive basée sur un réseau neuronal de dessins au trait de scènes de la nature, même en l'absence d'informations de couleur, de texture et d'ombrage. Je montre ensuite que l’inclusion de poids de saillance des contours basés sur l’axe médian conduit à une amélioration supplémentaire des performances de reconnaissance des scènes de la nature, en ajoutant des informations utiles qui ne semblent pas être exploitées lorsque les réseaux de neurones sont formés uniquement sur les contours.