Login
- Originaltitel:
- Intelligent Robotic Sonography: Adaptive, Dynamic and Learning-Powered Image Acquisition
- Übersetzter Titel:
- Intelligente Robotersonographie: Adaptive, dynamische und lernfähige Bilderfassung
- Autor:
- Jiang, Zhongliang
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Navab, Nassir (Prof. Dr.)
- Gutachter:
- Navab, Nassir (Prof. Dr.); Salcudean, Tim (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik; MED Medizin
- Stichworte:
- medical robotics, robotic ultrasound, ultrasound image segmentation, 3D ultrasound imaging, tissue deformation, tissue motion, learning from demonstration
- Übersetzte Stichworte:
- Medizinische Robotik, Roboter-Ultraschall, Segmentierung von Ultraschallbildern, 3D-Ultraschallbildgebung, Gewebedeformation, Gewebebewegung, Lernen aus Demonstrationen
- TU-Systematik:
- MED 230; DAT 760
- Kurzfassung:
- Due to the advantages of being real-time, affordable, and radiation-free, Ultrasound (US) imaging has been widely used for biometric measurement and diagnosis. But traditional US examinations are highly operator-dependent. The inter and intra-operator variations hamper the diagnosis accuracy; thereby limiting clinical acceptance. This thesis developed some advanced techniques based on robot control, computer vision, and deep learning towards autonomous robotic US scanning.
- Übersetzte Kurzfassung:
- Aufgrund der Vorteile von Echtzeit, Erschwinglichkeit und Strahlungsfreiheit wird die Ultraschallbildgebung (US) häufig zur Diagnose eingesetzt. Herkömmliche US-Untersuchungen sind jedoch stark bedienerabhängig. Die Schwankungen zwischen und innerhalb des Bedieners beeinträchtigen die Genauigkeit der Diagnose. In dieser Arbeit wurden einige fortschrittliche Techniken auf der Grundlage von Robotersteuerung, Computer Vision und Deep Learning für autonome robotergestützte US-Scans entwickelt.
- WWW:
- https://mediatum.ub.tum.de/?id=1651692
- Eingereicht am:
- 29.03.2022
- Mündliche Prüfung:
- 18.10.2022
- Dateigröße:
- 70891786 bytes
- Seiten:
- 207
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221018-1651692-1-9
- Letzte Änderung:
- 18.10.2023
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science