近年来,生物数据的快速增长需要开发数据驱动计算算法的大规模生物数据分析的效率和准确的方式。4.0医疗范式,在其核心,涉及为患者提供高度个性化的服务。在医疗行业实现,实时服务是极其重要的。尤其是医学和生物技术,为我们提供了大量的生物和生理数据,包括医疗文本、信号、图像、基因和蛋白质序列,和其他类型的生物数据。发现更多关于人类健康和疾病治疗以及最好的技术将使结果的数据。

计算技术,包括机/深度学习方法,以及其他“智能”技术,最近出现在学术界和产业界‘聪明’的工具获得的洞察力从医学和生物数据在范围广泛的特定医疗行业。机/深度学习通常在学习过程中使用的特性深处。降低学习算法的目标依赖于手工制作的工程特性是扩大范围,而且轻轻松松就可以使用他们。这将允许发展的新的应用程序。

这个特殊的问题将专注于尖端计算(机/深度学习)方法在医学图像分析中这是不可否认的重要任务放射科医生和医疗物理学家。这让专家来测量和监测治疗的效率和病人的反应。广泛的原始研究的文章和评论的计算和智能方法在医学图像分析和他们的应用程序(例如,乳腺癌,肺癌,脑癌,等等)会被考虑在这个特殊的问题。我们想收集相关论文,介绍小说的工具驱动的医学图像的分析计算方法,如机/深度学习。描述多学科研究方法或应用程序尤其鼓励。我们也邀请作者让他们的项目和实验数据向公众开放,这样我们的特殊问题可以更令人兴奋的和视觉吸引力。

潜在的主题包括但不限于以下:

• 活跃的机器学习进行医学图像分析
• 深入学习医学图像分析
• 多任务的机器学习医学图像分析
• 监督学习算法的医学图像分析
• 无监督学习算法的医学图像分析
• 不平衡的学习算法对医学图像分析
• 多视图功能学习医学图像分析
• 基于深度学习特性为医学图像分析学习策略
• 优化算法的医学图像分析功能表示
• 医学图像分析计算和数学技术
• 医学图像系统的安全和隐私