簡介

主動學習（Active Learning）是機器學習的一種學習範式，旨在改進模型性能和減少標記數據的成本。在傳統的監督學習中，我們需要一個已經標記好的數據集來訓練機器學習模型。然而，標記數據通常需要大量時間和人力成本。

主動學習通過智能地選擇最具信息量的樣本，並請求專家（人類標記者）來標記這些樣本，從而優化模型的學習過程。這樣做的目的是使模型能夠更快速和準確地達到特定性能水平，並且減少對標記數據的需求。

簡介

Kubernetes（中文譯為「容器集群管理系統」）是一個開源的容器管理平台，用於自動化部署、擴展和管理容器化應用程序。它提供了一個可靠的容器環境，能夠跨多個主機進行應用程序的部署和運行。

Introduction

醫學影像（Medical Imaging）是一個重要的領域，用於檢測、診斷和監測人體內部結構和功能的方法。它通常使用各種技術和設備，如X射線、核磁共振（MRI）、計算機斷層掃描（CT）、超聲波、正子發射斷層掃描（PET）等來生成影像。

醫學影像的目的是提供醫生和醫學專業人員對患者狀態進行評估和診斷的工具。它可以提供關於結構、形狀、位置和功能的詳細信息，幫助檢測和識別疾病、傷害、異常或其他體內變化。醫學影像在各個醫學領域中廣泛應用，包括放射學、核醫學、超聲診斷學、神經科學、心血管學等。

簡介

輕量化網路模型（Lightweight Network Models）是指具有較小尺寸和低計算資源需求的深度學習模型。這些模型的設計旨在在保持良好性能的同時，減少模型的複雜性和計算成本，以適應資源受限的環境，例如移動設備、嵌入式系統或低功耗設備。

簡介

自動機器學習（Automated Machine Learning，AutoML）是一種利用機器學習和人工智慧技術自動化機器學習流程的方法。它的目標是使機器學習模型的訓練和部署過程更加容易，降低對專業知識和手動調整的需求。

簡介

自動混合精度（Automated Mixed Precision）是一種優化技術，用於加速深度學習模型的訓練過程。該技術通常應用於具有浮點計算的神經網絡模型，旨在在保持訓練模型準確性的同時，提高訓練速度和計算效率。

Introduction

模型最佳化是指在機器學習和深度學習中，通過調整模型的參數或結構，以使其能夠在給定的任務或目標下達到最佳性能。

BraTS challenges 2018

Training dataset 285 cases (210HGG and 75 LGG)
Testing dataset 191 cases
Each cases with four 3D MRI modalities (T1, T1C, T2, FLAIR)
The input size: 240x240x155
The annotations: Whole Tumor (WT)、Tumor Core (TC)、Enhancing Tumor (ET)

簡介

生物標記（biomarker）是指在生物體內或體外觀察、測量或評估的特定指標，可以用來指示生物體的生理狀態、疾病存在、疾病進展或對治療的反應。生物標記可以是分子、細胞、組織、影像、生理參數等不同層次的特徵。

生物標記在醫學研究和臨床應用中具有重要價值。它們可以用於疾病的診斷、預測、監測和治療的指導。例如，某些特定蛋白質、基因或代謝物可以作為癌症的生物標記，用於早期診斷和監測治療效果。同樣，心臟病的生物標記可以幫助評估心肌損傷程度和預測患者的預後。

生物標記的選擇應考慮其在特定疾病或生理狀態中的關聯性、特異性、敏感性和可重複性。研究人員使用不同的技術和方法來鑒定和驗證生物標記，例如基因檢測、蛋白質分析、影像技術和生理參數測量等。

生物標記在個體化醫學和精準醫學中扮演著關鍵角色，可以幫助醫生更好地了解病情、預測疾病進程、選擇最佳治療方案，並監測治療效果。此外，生物標記也在藥物研發和臨床試驗中被廣泛應用，可以用於評估新藥的效力和安全性。

需要注意的是，生物標記的發現和應用需要進一步的研究和驗證，並且在使用時需要考慮可能的限制和局限性。

簡介

論文的評比通常是指在學術界中進行的論文評審和評價過程，以評估論文的質量、原創性、方法和結果的可靠性，以及對該領域的貢獻。