Benutzer: Gast  Login
Originaltitel:
Deep learning and variational analysis for high-dimensional and geometric biomedical data
Übersetzter Titel:
Deep Learning und Variationsrechnung für hochdimensionale und geometrische biomedizinische Daten
Autor:
Golkov, Vladimir
Jahr:
2021
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Cremers, Daniel (Prof. Dr.)
Gutachter:
Cremers, Daniel (Prof. Dr.); Goldlücke, Bastian (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
deep learning, medical imaging, protein structure prediction, neural networks, machine learning, calculus of variations, diffusion MRI, magnetic resonance imaging
Übersetzte Stichworte:
Deep Learning, medizinische Bildverarbeitung, Proteinstrukturvorhersage, neuronale Netze, maschinelles Lernen, Variationsrechnung, Diffusions-MRT, Magnetresonanztomographie
TU-Systematik:
DAT 760; DAT 770
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Eingereicht am:
12.07.2021
Mündliche Prüfung:
26.08.2021
Dateigröße:
7280623 bytes
Seiten:
116
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210826-1615936-1-7
Letzte Änderung:
24.09.2021
 BibTeX