«به نام خدا»
روز سه شنبه مورخ 5 دی ماه 1402 جناب آقای پروفسور حمید یوسفی مهمان دانشکده علوم ریاضی گروه علوم کامپیوتر و آزمایشگاه علوم داده بودند. پروفسور یوسفی، سه مقطع تحصیلی دانشگاهی خود را به ترتیب در دانشگاههای صنعتی امیرکبیر، زنجان و وسترن (لندن) به تحصیل پرداخته و پس از آن دو دوره پسادکتری در دانشگاههای بریتیش کلمبیا و تورونتو سپری کردهاند. ایشان پس از استخدام و طی مراحل استادیاری و دانشیاری، از سال 2022 به عنوان استاد تمام در دانشگاه مموریال کانادا مشغول فعالیتهای علمی هستند. علاقههای پژوهشی آقای دکتر یوسفی، یادگیری ماشین، ریاضیات، بیوانفورماتیک و الگوریتم است.
این سخنرانی با مذاکره شفاهی، نامهنگاری و پیگیری استاد میزبان آقای دکتر بهرام صادقی بیغم از گروه علوم کامپیوتر دانشکده علوم ریاضی شروع شد و پس از آن با حمایتها و طی روال قانونی توسط همکاران دانشکده، آن مدیریت محترم و همچنین واحد محترم حراست دانشگاه به سرانجام رسید. این دیدار از طریق پایگاه همکاری با متخصصان و فناوران ایرانی خارج از کشور صورت گرفت و با پیگیری مدیریت همکاریهای علمی و بین المللی دانشگاه مورد حمایت قرار گرفت.
سخنرانی ایشان با موضوع یادگیری ماشین در سرطان و تصاویر پزشکی در ساعت 10 تا 12 در سالن اندیشه ساختمان خوارزمی برگزار گردید. همکاران محترم روابط عمومی، کمک زیادی در برگزاری هر چه بهتر آن کردند. علاوه بر حضور کافی همکاران علمی دانشگاه و دانشجویان تحصیلات تکمیلی، و به دلیل درخواستهای خارج از دانشگاه و کمبود فضای سالن، این سخنرانی بصورت زنده از سامانه آپارات پخش و جهت استفادههای بعدی ذخیره شد. عنوان سخنرانی "یادگیری ماشین، سرطان و تصاویر پزشکی" بود که در ادامه، چکیده سخنرانی نیز ارائه میشود.
خلاصه سخنرانی ایشان به شرح زیر می باشد:
Title: Machine learning in cancer and medical imaging
Abstract: In this talk we introduce the Singular-Vectors Feature Selection (SVFS) method, our novel algorithm designed for feature selection. SVFS adeptly navigates the complexities of high-dimensional datasets, a prevalent challenge in bioinformatics, by adeptly pinpointing the most pertinent features for effective pattern recognition. Our aim is to integrate theoretical machine learning concepts with tangible cancer research, underscoring the profound influence these methodologies wield in deepening our understanding and enhancing our fight against cancer. Further, we will explore the application of machine learning in dissecting colorectal cancer data. We focus on utilizing meta-analysis techniques to unearth critical genetic markers pivotal to colorectal cancer. Lastly, we will delve into the recent breakthroughs in image segmentation and lesion detection, emphasizing their relevance and application in breast cancer diagnosis and treatment. We highlight how cutting-edge machine learning tools are revolutionizing the early detection and accurate diagnosis of breast cancer, marking a significant stride in oncological medical imaging.
