A gép tanulásos algoritmusok térnyerése a műszaki feladatok szinte minden területén szembeötlő, nem kivétel ebben az orvosi képalkotás sem. Általában az orvosi szem vizuális észlelete számára készített, humán befogadóra optimalizált képalkotó algoritmusok kimeneteit használja fel a neurális háló, hogy radiomikai mérőszámokat határozzon meg, diagnosztikus döntést kíséreljen meg vagy a kép zajtartalmát csökkentse. A mesterséges intelligencia kimenetei oldalához jelenleg még nem gyakori (általában a számítási kapacitás szűkössége miatt) a bemenő információtartalom maximlizálása szemben a humán befogadó vizuális információfeldolgozási szempontjai helyett. A téma lényege annak vizsgálata, hogy a bemenő adathalmaz szerkezete hogyan befolyásolja a gépi tanulás kimenetelének minőségét elsősorban a vizuális észleletet pozitívan befolyásoló képfelvételi, képrekonstrukciós és képfeldolgozási lépések tekintetében. A vizsgálat célja annak eldöntése, hogy mely paraméterek befolyásolják egy gépi megfigyelő tanulási folyamatát a leginkább. A vizsgálathoz rendelkezésre áll CT és MRI modalitású mérőberendezések, Monte-Carlo alapú mérésiadat-szimulátorok, tomográfiás képrekonstrukciós szoftverek és képfeldolgozási algoritmusok, melyekkel a szükséges tanuló adatsorok előállíthatóak. 

A hallgató feladata

- olyan mérési és/vagy szimiulált probléma megfogalmazása, mellyel a gépi tanulási algoritmus input-érzékenysége tesztelhető,

- a mérése/ szimulációk paraméterfüggő elvégzése a gépi tanulás számára,

- a neurális háló létrehozása és betanítása,

- az eredmények értékelése. 

Mivel a folyamatot a mérési vagy szimulációs idő mértéke illetve a szükséges háló számítási kapacitásigénye könnyen ellehetetleníti, a problémát le kell egyszerűsíteni a praktikusan megvalósítható méretre.