Deep learning and variational analysis for high-dimensional and geometric biomedical data

Golkov, Vladimir

User: Guest

Vladimir Golkov

If you experience problems opening the document, please try this link.

Original title:: Deep learning and variational analysis for high-dimensional and geometric biomedical data
Translated title:: Deep Learning und Variationsrechnung für hochdimensionale und geometrische biomedizinische Daten
Author:: Golkov, Vladimir
Year:: 2021
Document type:: Dissertation
Faculty/School:: Fakultät für Informatik
Advisor:: Cremers, Daniel (Prof. Dr.)
Referee:: Cremers, Daniel (Prof. Dr.); Goldlücke, Bastian (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
Keywords:: deep learning, medical imaging, protein structure prediction, neural networks, machine learning, calculus of variations, diffusion MRI, magnetic resonance imaging
Translated keywords:: Deep Learning, medizinische Bildverarbeitung, Proteinstrukturvorhersage, neuronale Netze, maschinelles Lernen, Variationsrechnung, Diffusions-MRT, Magnetresonanztomographie
TUM classification:: DAT 760; DAT 770
Abstract:: In this thesis, we use deep learning and variational analysis to solve various problems from biology and medicine related to advanced data structures. We predict the structure of proteins from their evolutionary statistics, and the function of proteins and small molecules from their structure. We also present image processing methods for diffusion MRI that reduce the scan duration by a factor of twelve and improve the image quality.
Translated abstract:: In dieser Dissertation wenden wir Deep Learning und Variationsrechnung auf Probleme aus der Biologie und Medizin mit komplizierten Datenstrukturen an. Wir sagen die Struktur von Proteinen aus deren Evolutionsstatistiken voraus, sowie die Funktion von Proteinen und kleinen Molekülen aus ihrer Struktur. Für Diffusions-MRT stellen wir Methoden vor, die die Scanzeit um ein Zwölffaches verkürzen und die Bildqualität erhöhen.
WWW:: https://mediatum.ub.tum.de/?id=1615936
Date of submission:: 12.07.2021
Oral examination:: 26.08.2021
File size:: 7280623 bytes
Pages:: 116
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210826-1615936-1-7
Last change:: 24.09.2021
BibTeX