从原型到临床工作流程:移动机器学习损伤量化成临床实践——卷II

这个研究课题是“从原型到临床工作流程:移动机器学习损伤量化到临床实践系列”。你可以找到卷我在这里

在过去的十年中,神经影像学领域发生了相当大的进步在引进新机器学习(ML)技术和改善病灶分割和检测算法的性能。这种发展极大地促进了一系列挑战医学成像(例如脑瘤分割(小鬼)挑战),提供了一个框架,公正的评价和比较发达的方法提出解决临床问题。特别是,深度学习算法(例如U-Net架构)已被证明是有效的解决学习问题涉及分割和检测脑损伤。这种算法各种潜在的应用在神经放射学从量化脑瘤和多发性硬化疾病进展的神经血管和神经炎症疾病鉴别诊断及预后。

尽管鼓励身体的ML算法研究大脑损伤量化,有大量缺乏方法,已被译成日常临床实践。集成的挑战大脑病变分割和检测工具与临床工作流通常是不言而喻的,因此研究人员仍然知之甚少。当部署在临床常规毫升理想的方法应该是健壮的输入数据的变化和产生可靠的结果,可以支持临床决策。ML-based大脑损伤量化方法成功地转化为临床工作流,几个目前的差距,包括领域适应气候变化,不确定性量化和模型验证,在当前毫升研究需要填满。此外,新的公共数据集和软件模块需要支持的ML算法翻译研究临床实践。

目前的研究课题的目标是培育新的研究领域相关的翻译ML-based大脑损伤量化成临床常规方法。这包括但不仅限于以下主题:
·领域适应气候变化(如检测和量化的数据集变化)

·不确定性量化(如校准的分割和检测模型,小说不确定性评估方法,集成的不确定性估计在临床工作流程)

·模型验证(例如,研究新的大脑病变细分指标的评估,验证现有的方法在大型数据集的研究,系统评价的结果从大脑病变分割和检测的挑战)

·机器学习和数据隐私(如联合学习或安全多方计算与应用程序在大脑损伤量化)

·数据贡献(如新的公共数据集来支持发展毫升脑部病变的方法量化)

·软件贡献(例如Python模块提供的功能来支持集成毫升等临床常规方法如自动图像质量评级)

·观点如何ML-based大脑损伤量化一直是临床工作流的集成个体的机构
特别是,我们考虑下面的文章类型:原始研究,系统回顾、数据报告、技术和代码,角度(选择取决于选定的前沿杂志)。雷竞技rebat