Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Learning Robust Representations for Medical Diagnosis
Übersetzter Titel:
Das Lernen robuster Repräsentationen für medizinische Diagnose
Autor:
Paschali, Magdalini
Jahr:
2021
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Navab, Nassir (Prof. Dr.)
Gutachter:
Navab, Nassir (Prof. Dr.); Rückert, Daniel (Prof. Dr.)
Sprache:
en
Fachgebiet:
NAT Naturwissenschaften (allgemein)
TU-Systematik:
MED 230; DAT 760
Kurzfassung:
This dissertation tackles the issues of improving and evaluating the robustness of machine learning models for medical diagnosis. We describe a data augmentation technique that improves a model’s robustness, a compression approach that enhances the training dynamics of volumetric models and a robustness evaluation scheme using adversarial examples. Moreover, we explore robustness beyond imaging data and introduce a method for longitudinal depression score prediction from neuropsychological data.
Übersetzte Kurzfassung:
Diese Dissertation befasst sich mit der Verbesserung und Evaluierung der Robustheit von Modellen für die medizinische Diagnose. Wir beschreiben eine Technik zur Datenerweiterung, die die Robustheit eines Modells verbessert, einen Komprimierungsansatz, der die Trainingsdynamik von Modellen verbessert, und ein Schema zur Bewertung der Robustheit mit adversen Beispielen. Des Weiteren stellen wir eine Methode zur longitudinalen Vorhersage von Depressionswerten aus neuropsychologischen Daten vor.
WWW:
https://mediatum.ub.tum.de/?id=1610629
Eingereicht am:
11.05.2021
Mündliche Prüfung:
21.09.2021
Dateigröße:
16846483 bytes
Seiten:
151
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210921-1610629-1-1
Letzte Änderung:
02.11.2021
 BibTeX