人工智能的发展对于小数据集:应用程序来成像

最有价值的数据集在放射学和核医学很小。这可以看到如的主题/病人在radiomics研究中,大多数研究从20到100例。Radiomics研究机器学习应用于提取Radiomics特性时,这种方法可以使用数据集的大小不适合深入学习。然而,深度学习一直显示优越的结果当足够的数据可用。的主要问题是,大量的标签数据通常不可用,背后的原因是数据不可用(低流行疾病),数据保护和数据管理过程。

这个研究课题和解决方案将与小数据集和可能的解决方案来解决相关问题。转移学习被认为是一个最好的技术来处理小的数据集。它是基于你能把知识从一个任务到另一个地方。然而,更深度学习的技术可以使用如贝叶斯深度学习或合成数据生成数据增大。另外,解决方案增加更好的注释工具等数据集,其中可能包括主动学习技术或联合学习也是很重要的在小数据集的背景下。

数据异构性和公平性等问题也感兴趣的。数据的异质性(从不同的扫描仪和协议用于成像)是特别重要的在小数据集和处理它,有几种方法可以协调数据或火车算法以提高性能。公平是基本的未来人工智能和认知的偏见在开发模式需要增加。解决方案来缓解这样的偏见也极端的相关性。

使用小数据集仍然是困难的,但是可能的解决方案已经提出了放射学与核医学以外的领域。可能的解决方案在放射学和核医学的视角,比较,寻求新的即用的解决方案在这个研究课题。分析对病人的数量以及与异构数据集或不平衡数据集在这个研究课题是受欢迎的。此外,偏见和公平的背景下分析小数据集是高度赞赏。

我们特别感兴趣的文章,涵盖以下主题:
•联合学习
•学习转移
•贝叶斯深度学习
•Regularisation深度学习的技术
•合成数据生成
•无监督学习
•主动学习
•公平数据和模型
•数据的异质性
•比较Radiomics和深度学习策略
•比较不同深度学习的策略

关键字:小数据集,人工智能

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。