درک و تفسیر یادگیری ماشین در کاربردهای محاسبات تصویربرداری پزشکی: اولین کارگاه های بین المللی، MLCN ۲۰۱۸، DLF ۲۰۱۸ و iMIMIC ۲۰۱۸، برگزار شده به همراه MICCAI ۲۰۱۸، گرانادا، اسپانیا، ۱۶-۲۰ سپتامبر ۲۰۱۸، مجموعه مقالات
Understanding and Interpreting Machine Learning in Medical Image Computing Applications: First International Workshops, MLCN 2018, DLF 2018, and iMIMIC 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16-20, 2018, Proceedings

این کتاب شامل مجموعه مقالات داوری شده مشترک اولین کارگاه بین المللی یادگیری ماشین در تصویربرداری عصبی بالینی، MLCN 2018، اولین کارگاه بین المللی شکست های یادگیری عمیق، DLF 2018، و اولین کارگاه بین المللی قابلیت تفسیر هوش ماشین در محاسبات تصویر پزشکی، iMIMIC 2018 است که همزمان با بیست و یکمین کنفرانس بین المللی تصویربرداری پزشکی و مداخله به کمک رایانه، MICCAI 2018، در گرانادا، اسپانیا، در سپتامبر 2018 برگزار شد.

4 مقاله کامل MLCN، 6 مقاله کامل DLF و 6 مقاله کامل iMIMIC موجود در این جلد، با دقت بررسی و انتخاب شده اند. مشارکت های MLCN روش های یادگیری ماشین پیشرفته مانند تحلیل فرآیند گوسی فضایی-زمانی، استنتاج تغییرپذیر تصادفی و یادگیری عمیق را برای کاربردها در تشخیص بیماری آلزایمر و تحلیل داده های تصویربرداری عصبی چند مرکزی توسعه می دهند. مقالات DLF نقاط قوت و ضعف DL را ارزیابی کرده و چالش های اصلی در وضعیت فعلی هنر و مسیرهای آینده را شناسایی می کنند. مقالات iMIMIC طیف گسترده ای از موضوعات در زمینه قابلیت تفسیر یادگیری ماشین در زمینه تحلیل تصاویر پزشکی را پوشش می دهند.

This book constitutes the refereed joint proceedings of the First International Workshop on Machine Learning in Clinical Neuroimaging, MLCN 2018, the First International Workshop on Deep Learning Fails, DLF 2018, and the First International Workshop on Interpretability of Machine Intelligence in Medical Image Computing, iMIMIC 2018, held in conjunction with the 21st International Conference on Medical Imaging and Computer-Assisted Intervention, MICCAI 2018, in Granada, Spain, in September 2018.

The 4 full MLCN papers, the 6 full DLF papers, and the 6 full iMIMIC papers included in this volume were carefully reviewed and selected. The MLCN contributions develop state-of-the-art machine learning methods such as spatio-temporal Gaussian process analysis, stochastic variational inference, and deep learning for applications in Alzheimer’s disease diagnosis and multi-site neuroimaging data analysis; the DLF papers evaluate the strengths and weaknesses of DL and identify the main challenges in the current state of the art and future directions; the iMIMIC papers cover a large range of topics in the field of interpretability of machine learning in the context of medical image analysis.