Estudió ingeniería química, física y matemática en la UNAM. Doctorado en Matemáticas Aplicadas: Brown University (Division of Applied Mathematics, 1958-62). Recibió además el Dintinguished Alumnus Award (2001). Ha sido director: En la UNAM: Instituto de Geofísica (1962-63, 1966-72, 1983-89) IIMAS (Instituto de Investigaciones en Matemáticas Aplicadas y Sistemas, 1996- 2000). Organizador y Director Técnico Fundador del CONACYT: 1971-73 Premios Científicos: Ha obtenido los tras más importantes de México: Academia Mexicana de Ciencias, 1968; Nacional de Ciencias, 1976; Luis Elizondo, 1981. Ha sido presidente de las academias mexicanas de Ciencia y de la de Ingeniería. También, de un buen número otras sociedades y academias. Fue miembro del Consejo Asesor de la Universidad de Princeton de 1985 a 1993. Es Editor Emérito del International Journal of Numerical Methods for Partial Differential Equations, publicada por John Wiley en el Gran Nueva York (Hoboken, New Jersey), que organizó y fundó. Fue editor durante 30 años de este. Sus contribuciones a la ciencia tanto pura como aplicada han sido múltiples. Por todo lo anterior se le considera como una personalidad muy distinguida de la ciencia mexicana. Frecuentemente se le cita como el matemático latinoamericano más destacado.

La computación ha transformado la vida humana y es un instrumento fundamental para el avance de la ciencia pura y aplicada. La reciente creación del (Centro de Estudios de Cómputo Avanzado) CECAV es muy significativa pues es una expresión categórica de la decisión de la UNAM de dar un lugar central al cómputo en el desarrollo futuro de la actividad científica de nuestra universidad. Por ello, dedico esta Conferencia Magistral a presentar una visión panorámica del papel que la computación encarna en la actividad científica contemporánea. En el marco del cómputo en general, destaca su versión más poderosa y avanzada: el supercómputo. Predecir el comportamiento de la naturaleza y de los sistemas que interesan al ser humano es un anhelo ancestral y, a través de la historia, ha sido una motivación fundamental para el desarrollo de la ciencia. En la actualidad, la satisfacción de ese deseo se ha alcanzado casi plenamente aplicando el cómputo y el supercómputo a los problemas de la ingeniería y la ciencia. La computación no reconoce las barreras, en buena medida artificiales, que frecuentemente separan a la ciencia básica de la aplicada y de la práctica. De no reconocerlas se derivan múltiples beneficios; entre otros, acelera la modernización del mundo. Es por ello, por lo que la ‘predicción científica’, cuyas herramientas fundamentales son el cómputo y el supercómputo, hoy en día ha penetrado hasta los rincones más diversos y apartados de nuestras actividades. En el Siglo XVII, Newton nos enseñó que el conocimiento por sí mismo no tiene la facultad de predecir la naturaleza, pues para ello es indispensable integrarlo en modelos matemáticos. Con esto, la estructura de la ciencia se consolidó y adquirió gran respetabilidad y prestigio. Sin embargo, no fue hasta la segunda mitad del Siglo XX cuando la predicción científica se convierte en un instrumento fundamental para satisfacer las necesidades humanas. Esa espera de tres siglos, que va del Siglo XVII al Siglo XX fue necesaria, por una parte, para desarrollar con mayor amplitud y profundidad las bases que Newton nos dejó y, por otra, con mirada retrospectiva, porque había que aguardar a que surgiera el cómputo electrónico, pues la predicción científica del comportamiento requiere realizar una cantidad enorme de cálculos aritméticos que sólo él ha hecho posible. En esta plática prestaré especial atención a los métodos de la predicción científica y al papel esencial que en ellos tienen el cómputo y el supercómputo. Presentaré además dos algoritmos que hemos introducido, aquí en la UNAM; uno con el que ya se han realizado gran número de experimentos numéricos en que se obtienen aceleraciones del cómputo superlineales y otro basado en una teoría matemática aún en desarrollo. Mi agradecimiento a los Dres. William Lee, Carlos Arámburo y Boris Escalante, y al Rector de la UNAM, Dr. Enrique Graue Wiechers, por su amable invitación a impartir esta Conferencia Magistral.

Leo Joskowicz is a Professor at the School of Computer Science and Engineering at the Hebrew University of Jerusalem, Israel since 1995. He is the founder and director of the Computer-Aided Surgery and Medical Image Processing Laboratory (CASMIP Lab). Prof. Joskowicz is a Fellow of the IEEE, ASME, and MICCAI (Medical Image Processing and Computer Aided Intervention) Societies. He is the President of the MICCAI Society and was the Secretary General of the International Society of Computer Aided Orthopaedic Surgery (CAOS) and the International Society for Computer Assisted Surgery (ISCAS). He is the recipient of the 2010 Maurice E. Muller Award for Excellence in Computer Assisted Surgery by the International Society of Computer Aided Orthopaedic Surgery and the 2007 Kaye Innovation Award. He has published over 250 technical works including conference and journal papers, book chapters, and editorials and 12 patents. He is on the Editorial Boards of six journals, including Medical Image Analysis, Int. J. of Computer Aided Surgery, Computer Aided Surgery, and Nature Scientific Reports and has served on numerous related program committees.

Radiology, one of the cornerstones of modern healthcare, is undergoing rapid and profound changes due to the ever-increasing number of imaging examinations, the shortage of certified radiologists, the dynamics of healthcare economics, and the technological developments of artificial intelligence based image processing. This constellation has created unique untapped opportunities for Computational Radiology, whose goal is to automatically extract meaningful radiomics features from medical images. State-of-the-art methods for features extraction are based on deep learning classification algorithms that are starting to reach near human performance. However, developing deep learning methods requires large manually annotated datasets, which are seldom available and are expensive and time-consuming to create.
This talk will present an overview of our new methods for the fast development of deep learning-based image processing solutions in Radiology with very few annotated datasets. The key idea is to bootstrap the creation of expert-validated annotations with new techniques for annotation uncertainty estimation and for learning how experts correct annotations generated by deep learning networks initially trained with very few annotated datasets. Our methods aim to optimize radiologist time, reduce the annotated dataset size, and increase the accuracy and robustness of the deep neural networks results. We expect that our methods will significantly lower the entry cost, shorten the time and reduce the effort currently required to develop and deploy deep learning based solutions for radiology.

El análisis de forma de estructuras anatómicas es de vital importancia en el análisis de imágenes médicas. Por esta razón, se han desarrollado diversos métodos para realizar un análisis matemático de dichas estructuras. Estos métodos han permitido utilizar la forma de los objetos como un elemento regularizador en la segmentación de imágenes y también han sido utilizados para realizar comparaciones estadísticas de formas anatómicas entre individuos y poblaciones. En esta presentación, haremos una introducción a diversos métodos de análisis de forma y demostraremos su aplicación en diversas tareas en el análisis de imágenes médicas.