机器学习是医学图像分析的一个主要工具对于今天的计算机辅助诊断(CAD)。先验知识,从特色医学专家提供的例子,有助于引导图像配准、融合、分割和其他分析步骤描述准确的初始数据和CAD的目标并提取可靠的诊断线索。例如,定量三维形状分析大脑胼胝体的MRI有助于诊断自闭症或阅读障碍。

虽然CAD系统采用许多有前途的、高效的学习技术,最近的神经影像学的发展功能和结构磁共振成像(MRI),例如,例如,diffusion-weighted MRI和其他大脑和神经系统可视化的形式,呼吁加强传统的学习方法和应用新的潜在的(例如,例如,深度学习的多层卷积神经网络或高阶马尔可夫随机场模型预测状态的大脑)。

这个问题关注的两个途径的使用机器学习在医学图像分析。研究人员邀请提供原始研究的文章和/或评论刺激电流永久努力解决这些重要问题。

潜在的主题包括但不限于以下:

• 胸成像:开发CAD系统肺图像从不同的形式获得的计算机断层扫描(CT)和磁共振成像等。这些CAD系统包括肺分割、登记和结节分割检测。
• 腹部成像:开发CAD系统异常的诊断从不同的器官,如肾脏、肝脏、结肠、前列腺。这种器官获得的图像使用多种成像模式如CT、MRI和超声。
• 脑成像:开发CAD系统所获得的一些异常的诊断图像形式不同的形式,如核磁共振。这些异常包括但不限于自闭症,阅读障碍、癫痫、帕金森病等。
• 视网膜成像:开发CAD系统诊断视网膜异常的光学相干断层扫描(OCT)图像。这些CAD系统包括多个视网膜层的分割,紧随其后的是检测早期细微变化的诊断疾病如糖尿病和黄斑变性。