Machine learning incarnates a key component for integrating the knowldege and experience of physicians into medical imaging applications such as computer aided diagnosis, detection and segmentation. In the last decade, random forests became a popular ensemble learning algorithm, as they achieve state-of-the-art performance in numerous computer vision tasks. Consisting in an ensemble of independent decision trees, random forests are very intuitive models, that offer a flexible probabilistic framework for solving different learning tasks. In this thesis, we formalize random forests models as ensemble partitioning approaches and propose novel related techniques for classification, regression and clustering. We introduce new task-specific forest models and demonstrate their great potential in different medical applications such as organ localization, segmentation, lesion detection and image categorization.     «

Machine learning incarnates a key component for integrating the knowldege and experience of physicians into medical imaging applications such as computer aided diagnosis, detection and segmentation. In the last decade, random forests became a popular ensemble learning algorithm, as they achieve state-of-the-art performance in numerous computer vision tasks. Consisting in an ensemble of independent decision trees, random forests are very intuitive models, that offer a flexible probabilistic frame...     »

Maschinelles Lernen verkörpert eine wichtige Komponente um das Wissen und die Erfahrung medizinischer Experten in Bildgebungsanwendungen wie Computer-gestütze Diagnose, Erkennung und Segmentierung zu integrieren. Im letzten Jahrzehnt sind Random Forests ein populäres Algorithmus für "Ensemble Learning" geworden, da sie in zahlreichen Computer Vision Problemen state-of-the-art Ergebnisse erbringen. Als Ensemble von unabhängigen Entscheidungsbäume sind Random Forests sehr intuitive Modelle, die ein flexibles probabilistisches Framework anbieten, um verschiedene Lernaufgaben zu lösen. In dieser Dissertation formalisieren wir Random Forest Modelle als Methode für "Ensemble Partitionierung", und schlagen neue verwandten Techniken zur Klassifikation, Regression und Clustering vor. Wir führen neue Aufgaben-spezifische Forest-Modelle ein, und zeigen ihr großes Potenzial in verschiedenen medizinischen Anwendungen wie Lokalisierung von Organen, Segmentierung, Detektion von Läsionen und Bildkategorisierung.     «

Maschinelles Lernen verkörpert eine wichtige Komponente um das Wissen und die Erfahrung medizinischer Experten in Bildgebungsanwendungen wie Computer-gestütze Diagnose, Erkennung und Segmentierung zu integrieren. Im letzten Jahrzehnt sind Random Forests ein populäres Algorithmus für "Ensemble Learning" geworden, da sie in zahlreichen Computer Vision Problemen state-of-the-art Ergebnisse erbringen. Als Ensemble von unabhängigen Entscheidungsbäume sind Random Forests sehr intuitive Modelle, die ei...     »