Login
- Originaltitel:
- Deep Learning for Clinical Decision Support Systems in Chest Radiography
- Übersetzter Titel:
- Deep Learning für klinische Entscheidungsunterstützungssysteme in der Thoraxradiographie
- Autor:
- Wollek, Alessandro Benjamin
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Lasser, Tobias (Priv.-Doz. Dr.)
- Gutachter:
- Lasser, Tobias (Priv.-Doz. Dr.); Ingrisch, Michael (Prof. Dr.); Després, Philippe (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- Deep Learning, Chest X-ray, Chest Radiograph, CNN, Image Classification, Labeling
- TU-Systematik:
- PHY 820; MED 370
- Kurzfassung:
- This dissertation investigates the use of deep learning-based models for disease classification in chest radiography. It includes methods for annotation and anonymization of radiology reports, and explores the effect of image resolution and windowing on model performance. The feasibility of using vision transformers for chest X-ray classification is shown, along with an attention-based interpretability method, and a method to improve robustness against of out-of-distribution images.
- Übersetzte Kurzfassung:
- Diese Dissertation untersucht den Einsatz von Deep-Learning-Modellen zur Röntgenthoraxklassifikation. Sie umfasst Methoden zur Annotation und Anonymisierung von radiologischen Befunden und untersucht den Effekt von Bildauflösung und Fensterung auf die Modellleistung. Es wird die Machbarkeit des Einsatzes von Vision-Transformern, eine auf Aufmerksamkeit basierende Interpretationsmethode und eine Methode zur Verbesserung der Robustheit gegenüber verteilungsfremden Bildern untersucht.
- WWW:
- https://mediatum.ub.tum.de/?id=1712565
- Eingereicht am:
- 14.06.2023
- Mündliche Prüfung:
- 25.10.2023
- Dateigröße:
- 21102850 bytes
- Seiten:
- 152
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231025-1712565-1-4
- Letzte Änderung:
- 16.11.2023
BibTeX