Learnable personalization of brain tumor growth models
Übersetzter Titel:
Lernbare Personalisierung von Hirntumor-Wachstumsmodellen
Autor:
Ezhov, Ivan
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Menze, Björn H. (Prof. Dr.)
Gutachter:
Menze, Björn H. (Prof. Dr.); Lowengrub, John (Prof. Dr.); Mang, Andreas (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik; MED Medizin
TU-Systematik:
DAT 760; MED 230
Kurzfassung:
Treatment planning for patients diagnosed with brain tumors requires understanding the disease dynamics. Mathematical formalization of the tumor progression often implies resorting to a parameterized system of differential equations. This dissertation addresses computational bottlenecks of calibrating tumor models from medical data by developing efficient algorithms for parametric inference.
Übersetzte Kurzfassung:
Eine Behandlungsplanung für Patienten mit Hirntumor erfordert ein Verständnis der Krankheitsdynamik. Die mathematische Formalisierung der Tumorprogression greift in der Regel auf ein parametrisches System von Differentialgleichungen zurück. Um den limiterenden Faktor der Rechenzeit für die Verknüpfung von Tumormodellen mit medizinischen Daten zu eliminieren, befasst sich diese Dissertation mit der Entwicklung effizienter Algorithmen für die parametrische Inferenz.
Login
BibTeX