Ebben az értekezésben három módszer kerül bemutatásra algoritmusegyüttesek paraméteroptimalizálásának hatékony elvégzésére az orvosi képelemzés területén. E módszerek kidolgozását az motiválta, hogy az együtteseket alkotó tagok egyedileg optimális paraméterbeállításai nem szükségszerűen maximalizálják a rendszer teljesítményét. Emiatt rendszerszintű paraméteroptimalizálásra van szükség, ami nagyméretű problémákat eredményezhet. Ilyen problémák esetében jó minőségű megoldásokat lehet találni sztochasztikus módszerekkel, némi pontosságot feláldozva a keresés költségének jelentős csökkentése érdekében. Azonban még egy sztochasztikus módszerrel végzett keresés is lehet nagyon költséges, ha az egyes megoldások kiértékelése önmagában is költséges. Az értekezésben javasolt módszerek a szimulált hűtés metaheurisztikán alapulnak, és céljuk a keresés költségének csökkentése azáltal, hogy a célfüggvény értékét, azaz a rendszer teljesítményét egy adott paraméterbeállítás mellett, részleges tanulóadatok használatával határozzák meg. Ez a megközelítés egyfajta zajos, pontatlan mérésekkel végzett kiértékelésnek tekinthető. A javasolt módszerek különböző stratégiák alkalmazásával képesek a keresési folyamat során az elméleti megkötéseknek megfelelően szabályozni a zajt, és így fenntartani az elérhető megoldás minőségét.

In this dissertation, three methods are presented for the efficient parameter optimization of ensembles in medical image analysis. The development of these methods was motivated by the fact that the individually optimal parameter settings of the members do not necessarily maximize the performance of the ensemble. Therefore, system-level parameter optimization is required, which can lead to large-scale problems. Stochastic methods can be used to find good quality solutions to such problems, sacrificing some accuracy to significantly reduce the cost of the search. However, even a stochastic search can be very expensive if the evaluation of a solution itself is expensive. The methods proposed in this dissertation are based on the metaheuristic simulated annealing and aim to reduce the cost of the search by determining the value of the objective function, i.e., the performance of the ensemble with a given parameter setting, using partial training data. This approach can be considered as a form of noisy evaluation with imprecise measurements. By employing different strategies, the proposed methods are able to control the noise during the search process according to theoretical constraints and thus maintain the achievable solution quality.