Machine Learning in Medical Imaging: First International Workshop, MLMI 2010, Held in Conjunction with MICCAI 2010, Beijing, China, September 20, 2010. Proceedings

اولین کارگاه بین المللی یادگیری ماشین در تصویربرداری پزشکی، MLMI 2010، در مرکز همایش ملی چین، پکن، چین در 20 سپتامبر 2010 همراه با کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه برگزار شد. (MICCAI) 2010. یادگیری ماشینی نقش اساسی در زمینه تصویربرداری پزشکی ایفا می کند، از جمله تقسیم بندی تصویر، ثبت تصویر، تشخیص به کمک رایانه، ادغام تصویر، درمان با هدایت تصویری، حاشیه نویسی تصویر، و بازیابی پایگاه داده تصویر. با پیشرفت در تصویربرداری فلزی، روش‌های جدید تصویربرداری، و روش‌هایی مانند CT پرتو مخروطی/چند برش، اولتراسوند سه بعدی، توموسنتز، MRI با وزن انتشار، توموگرافی امپدانس الکتریکی، و توموگرافی نوری منتشر، یادگیری ماشینی جدید الگوریتم ها / برنامه های کاربردی در زمینه تصویربرداری پزشکی مورد نیاز است. شواهد تک نمونه ای ارائه شده توسط داده های تصویربرداری بیمار اغلب برای ارائه عملکرد رضایت بخش کافی نیست. بنابراین، وظایف در تصویربرداری پزشکی نیازمند یادگیری از مثال‌هایی برای شبیه‌سازی دانش قبلی پزشک از داده‌ها است. MLMI 2010 اولین کارگاه آموزشی در این زمینه است. این کارگاه بر روی روندها و چالش های اصلی در این زمینه تمرکز دارد و برای شناسایی تکنیک های جدید و استفاده از آنها در تصویربرداری پزشکی کار می کند. هدف ما کمک به پیشرفت تحقیقات علمی در زمینه گسترده تصویربرداری پزشکی و یادگیری ماشینی است. دامنه و سطح ارسال برای جلسه امسال از کیفیت بسیار بالایی برخوردار بود. از نویسندگان خواسته شد که مقالات کامل را برای بررسی ارسال کنند. در پاسخ به فراخوان مقاله، در مجموع 38 مقاله به کارگاه ارسال شد.

The first International Workshop on Machine Learning in Medical Imaging, MLMI 2010, was held at the China National Convention Center, Beijing, China on Sept- ber 20, 2010 in conjunction with the International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2010. Machine learning plays an essential role in the medical imaging field, including image segmentation, image registration, computer-aided diagnosis, image fusion, ima- guided therapy, image annotation, and image database retrieval. With advances in me- cal imaging, new imaging modalities, and methodologies such as cone-beam/multi-slice CT, 3D Ultrasound, tomosynthesis, diffusion-weighted MRI, electrical impedance to- graphy, and diffuse optical tomography, new machine-learning algorithms/applications are demanded in the medical imaging field. Single-sample evidence provided by the patient’s imaging data is often not sufficient to provide satisfactory performance; the- fore tasks in medical imaging require learning from examples to simulate a physician’s prior knowledge of the data. The MLMI 2010 is the first workshop on this topic. The workshop focuses on major trends and challenges in this area, and works to identify new techniques and their use in medical imaging. Our goal is to help advance the scientific research within the broad field of medical imaging and machine learning. The range and level of submission for this year's meeting was of very high quality. Authors were asked to submit full-length papers for review. A total of 38 papers were submitted to the workshop in response to the call for papers.