机器学习理论和医疗应用程序

---

与健康有关的数据的爆炸性增长呈现前所未有的机遇改善病人的健康。机器学习在医疗领域中扮演着重要的角色,被越来越多地应用于医疗,包括医学图像分割、图像配准、多通道图像融合、计算机辅助诊断、图像引导治疗,图像注释和图像数据库检索,失败可能是致命的。

这个特殊问题的目的是推进科学研究在医疗、广泛的机器学习领域,侧重于理论,应用,最近的挑战,和尖端技术。

这个特殊的提交问题的质量水平是非常高的。总共有24个手稿提交这个问题在征稿启事。基于严格的审查过程,8篇论文(33%)被接受出版的特刊。下面,我们简要总结每篇论文的重点。

这个特殊问题的论文之一,”阿尔茨海默病的诊断基于结构的MRI图像使用正规化极端学习机和PCA特征,”r·k·喇嘛等人提出了一种方法和阿尔茨海默病(AD)的诊断方法相比,使用结构磁共振鼻中隔黏膜下切除术后()歧视广告图像,轻度认知障碍,而健康对照组使用支持向量机(SVM),导入向量机(IVM),和一个正规化的极端学习机(RELM)。通过ADNI数据集上的实验,得出结论,RELM特征选择方法可以显著提高分类精度的广告从轻度认知障碍和健康对照组。

美国阿拉姆等人提出了一个方法,区分广告从健康控制使用dual-tree复小波变换的组合,主要系数transaxial片的MRI图像,线性判别分析,和双子支持向量机的文章“孪生基于svm的分类阿尔茨海默病使用复杂dual-tree小波系数主要与乔治。”

semisupervised学习细胞检测方法提出了这个特殊问题的第三篇文章n·拉梅什等人在他们的论文题为“细胞检测中使用极值区域semisupervised学习框架。“细胞的方法需要很少的例子简单点注释进行训练。

本文题为“特定病人的心电图深建筑模型分类”罗k . et al .,心电图分类的方法。基于时频表示的方法是和特定的深度学习建筑模型,它使用深层神经网络分类器。

自动分割方法的三维磁共振成像(MRI)的数据,有助于脑部肿瘤的临床诊断,命名为神经胶质瘤在本文提出了z .李等人“低级神经胶质瘤分割基于CNN与CRF完全连接。“方法结合multipathway卷积神经网络(CNN)和完全连接条件随机场(CRF)。实验结果表明,该方法用于低级的神经胶质瘤。

一般混合疾病诊断系统采用分类器使用进化算法优化过程提出了m . r . Nalluri等人的文章“混合疾病诊断用多目标优化的进化参数优化。”

y周et al .,在他们的论文中“实时脉搏变异性分析方法基于改进基本尺度熵,“提出了一个名为滑动窗口迭代的基本尺度熵分析方法结合基本尺度熵分析和滑动窗口迭代理论分析心率变异性信号。

另一篇论文js这个特殊的问题。公园等人题为“R峰检测方法利用小波变换和修改香农能量信封”提供了一个R峰检测方法使用小波变换和快速修改香农能量包络心电图分析。

这些8选择贡献基本上可以反映了机器学习的新成果应用于医疗,我们希望他们可以提供一个坚实的基础为未来的新方法和应用。

确认

我们要感谢所有作者提交他们的工作考虑在我们的特殊问题。

阿施施哈雷
Moongu全
Ishwar k·塞提
Benlian徐

版权

版权©2017阿施施Khare et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。