[Machine learning in radiology : Terminology from individual timepoint to trajectory].

Journal: Der Radiologe
Published Date: Jan 1, 2020

Abstract

METHODICAL ISSUE: Machine learning (ML) algorithms have an increasingly relevant role in radiology tackling tasks such as the automatic detection and segmentation of diagnosis-relevant markers, the quantification of progression and response, and their prediction in individual patients.

Authors

  • Georg Langs
    Department of Biomedical Imaging and Image-guided Therapy Computational Imaging Research Lab, Medical University of Vienna Vienna Austria.
  • Ulrike Attenberger
    Universitätsklinik für Radiologie, Universitätsklinikum Bonn, Bonn, Deutschland.
  • Roxane Licandro
    Universitätsklinik für Radiologie und Nuklearmedizin, Computational Imaging Research Lab, Medizinische Universität Wien, Währinger Gürtel 18-20, 1090, Wien, Österreich.
  • Johannes Hofmanninger
    Universitätsklinik für Radiologie und Nuklearmedizin, Computational Imaging Research Lab, Medizinische Universität Wien, Währinger Gürtel 18-20, 1090, Wien, Österreich.
  • Matthias Perkonigg
    Universitätsklinik für Radiologie und Nuklearmedizin, Computational Imaging Research Lab, Medizinische Universität Wien, Währinger Gürtel 18-20, 1090, Wien, Österreich.
  • Mario Zusag
    IBM Research, Rueschlikon, Switzerland.
  • Sebastian Röhrich
    Universitätsklinik für Radiologie und Nuklearmedizin, Computational Imaging Research Lab, Medizinische Universität Wien, Währinger Gürtel 18-20, 1090, Wien, Österreich.
  • Daniel Sobotka
    Universitätsklinik für Radiologie und Nuklearmedizin, Computational Imaging Research Lab, Medizinische Universität Wien, Währinger Gürtel 18-20, 1090, Wien, Österreich.
  • Helmut Prosch
    Universitätsklinik für Radiologie und Nuklearmedizin, Computational Imaging Research Lab, Medizinische Universität Wien, Währinger Gürtel 18-20, 1090, Wien, Österreich.

Keywords

External Resources

Popular Topics
Recent Journals