图像分析和模式识别的最重要的领域是计算机工程和计算机科学在几个领域,如医学、军事、遥感、农业和其他真实世界的应用程序。在医学应用中,计算机辅助决策支持是准确诊断的重要方法之一。图像分析系统结合创新的计算程序可以从医学图像中提取可量化的参数。然而,它仍然是具有挑战性的,实现高性能的图像分类、目标探测与识别,视频跟踪等,因为现实世界的复杂的场景(如噪声、遮挡、变形等)。最近,在计算机视觉领域发展已经表明他们增加潜在的实际应用。深层神经网络方法是常用的在图像和视频处理,包括图像分割、登记、分类、识别、等先进科学编程方法包括深度学习的结合技术如卷积神经网络(CNN),递归神经网络(RNN)和深度生成对抗网络(GAN)模型,与小说meta-heuristic自然优化蚁群优化等方法,粒子群,哈里斯鹰,北极熊,和红狐狸算法,已经申请了医疗数据有效。这种新颖的科学应用编程方法医疗数据可以帮助临床医生做出准确、快速诊断,尤其是在e-health和tele-healthcare的上下文。

有各种各样的挑战,医学成像,可以冒充优化问题,如图像配准,提取深度特性,特征选择或调整hyper-parameters机器学习分类或深度学习更高的性能。有各种各样的自然和meta-heuristic优化算法提出了最近,这个特殊的问题将解决的问题选择合适的metaheuristics医学成像任务以及使用严格的方法来比较metaheuristics特性,策略,他们的表现在医学领域。

这个特殊问题的目的是整理原始研究和评论文章描述这一领域的进步。重点是最近发展应对meta-heuristic算法时可能面临的挑战,解决现实问题和应用在医学成像领域。我们邀请同事提供原始研究的文章以及评论文章,这将刺激持续努力meta-heuristic方法申请医学成像的应用程序。

潜在的主题包括但不限于以下:

• 使用自然meta-heuristics自动组织分割医学图像
• 仿生计算在医学图像和数据分析
• 计算机断层扫描图像增强COVID-19识别
• 计算使用meta-heuristics医学图像配准
• 混合架构,为生物医学图像处理和分类方法和系统
• Meta-heuristic算法在医学图像分割
• 自然科学生物医学信号与图像处理编程方法
• 回顾生物医学数据的各种优化方法
• 科学编程医学成像诊断
• 方法对特征提取和特征选择在医学图像分析和分类任务
• 在物联网的医疗中的应用