Generative Modelle für pathologische Bilddaten
| dc.contributor.author | Uzunova, Hristina | |
| dc.contributor.editor | Hölldobler, Steffen | |
| dc.date.accessioned | 2022-12-02T12:57:52Z | |
| dc.date.available | 2022-12-02T12:57:52Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | Deep-learning-basierte Algorithmen haben sich im Bereich der medizinischen Bildverarbeitung als besonders geeignet erwiesen, allerdings benötigen diese eine große Trainingsdatenmengen mit gegebenen Expertenannotationen. Die Erstellung solcher annotierter Datensätze für Bilddaten mit vorhandenen pathologischen Strukturen gilt als besonders herausfordernd, da die Variabilität der Pathologien verglichen mit normalen anatomischen Strukturen enorm ist. In dieser Arbeit werden deep-learning-basierte generative Modelle eingesetzt und weiterentwickelt, um die Herausforderungen von pathologischen Strukturen zu bewältigen. Einerseits wird ein variationeller Autoenocoder für die unüberwachte Detektion von Pathologien eingesetzt, andererseits werden Ansätze basierend auf GANs (generative adversarial networks) entwickelt, um realistische künstliche annotierte Bilder mit pathologischen Strukturen zu generieren. Weiterhin können die vorgestellten Ansätze für die Verbesserung der Bildregistrierung und Segmentierung von Bildern mit Pathologien eingesetzt werden. | de |
| dc.identifier.isbn | 978-3-88579-980-1 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/39852 | |
| dc.language.iso | de | |
| dc.publisher | Köllen Druck + Verlag GmbH | |
| dc.relation.ispartof | D22 | |
| dc.relation.ispartofseries | Ausgezeichnete Informatikdissertationen 2021 | |
| dc.title | Generative Modelle für pathologische Bilddaten | de |
| dc.type | Text/Conference Paper | |
| gi.citation.endPage | 300 | |
| gi.citation.publisherPlace | Bonn | |
| gi.citation.startPage | 291 | |
| gi.conference.date | 22.-25. Mai 2022 | |
| gi.conference.location | Schoss Dagstuhl, Deutschland |
Dateien
Originalbündel
1 - 1 von 1