Login
- Originaltitel:
- Physical Constraints-Aware Machine Learning Models for Vascular Image Analysis
- Übersetzter Titel:
- Physikalische Einschränkungen bewusst Maschinelles Lernen Modelle für die vaskuläre Bildanalyse
- Autor:
- Shit, Suprosanna
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Menze, Björn (Prof. Dr.)
- Gutachter:
- Menze, Björn (Prof. Dr.); Forkert, Nils Daniel (Prof., Ph.D.); Andres, Björn (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- NAT Naturwissenschaften (allgemein)
- TU-Systematik:
- NAT 000; DAT 000
- Kurzfassung:
- This thesis incorporates underlying biophysical constraints into deep models for functional and structural analysis of vascular imaging. A hybrid architecture computes pressure distribution from blood flow velocity. A directional loss emphasizes the velocities' correctness for super-resolution. An efficient loss highlights important pixels for correct network topology in the segmented vessel. A novel architecture bridges the voxel space of an image to a graph space in the vessel network.
- Übersetzte Kurzfassung:
- Diese Arbeit integriert biophysikalische Zwänge in tiefe Modelle für die funktionelle und strukturelle Analyse der Gefäßbildgebung. Eine hybride Architektur berechnet die Druckkarte aus der Blutgeschwindigkeit. Ein Richtungsverlust fördert die korrekten Geschwindigkeiten für die Superauflösung. Ein effizienter Verlust betont wichtige Pixel für eine korrekte Netzwerktopologie im segmentierten Gefäß. Eine Architektur verbindet den Voxelraum eines Bildes mit einem Graphenraum im Gefäßsystem.
- WWW:
- https://mediatum.ub.tum.de/?id=1694738
- Eingereicht am:
- 11.01.2023
- Mündliche Prüfung:
- 20.10.2023
- Dateigröße:
- 32488880 bytes
- Seiten:
- 164
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231020-1694738-1-1
- Letzte Änderung:
- 01.12.2023
BibTeX