由于计算的力量和扩散等生物医学成像模式的光声层析成像和计算机断层扫描(CT),人工智能已越来越多地应用于生物医学图像分析。在过去的几十年里,我们见证了艾城的巨大成功应用于各种生物医学成像,包括x射线、超声波、电脑断层摄影术(CT)、核磁共振成像、功能磁共振成像,正电子发射断层扫描(PET)和单光子发射计算机断层扫描(SPECT)。

中最有前途的生物医学应用人工智能诊断成像,和越来越多的关注正在针对建立和调整其性能便于检测和量化的一系列广泛的临床状况。同时,成像研究人员也面临着挑战,数据管理、索引、查询和分析数字病理数据。的主要挑战之一是如何管理相对较大规模、多维数据集,随着时间的推移将继续扩大,因为它是不合理详尽的比较与每个样本在高维数据库查询数据实际存储和计算瓶颈。第二个挑战是如何可靠地询问数据来自多个模式的特点。

这个特殊的问题旨在提供一套不同但互补的贡献来演示新的发展和应用程序覆盖上述问题在人工智能的应用生物医学图像分析。我们也想接受新方法的成功应用,包括但不限于数据处理、分析、管理、和生物医学数据的知识发现。

潜在的主题包括但不限于以下:

• 特征提取深度学习或生物医学数据的稀疏编码
• 生物医学数据的数据表示
• 降维技术(子空间学习、特征选择、稀疏的筛选,筛选功能,功能合并,等等)生物医学数据
• 为生物医学信息检索数据
• 基于多源生物医学数据的学习
• 生物医学数据的增量学习或在线学习
• 数据融合多源生物医学数据
• 缺失的数据多源生物医学数据的归责
• 数据的管理和挖掘在生物医学数据
• 生物医学数据的网络搜索和元搜索
• 生物医学数据的Web信息检索
• 生物医学数据质量评估
• 学习生物医学数据传输