Login
- Originaltitel:
- Graph Deep Learning in Medicine - Prospects, Pitfalls, and Privacy
- Übersetzter Titel:
- Graphneuronale Netze in der Medizin - Chancen, Herausforderungen, und Privatsphäre
- Autor:
- Müller, Tamara T.
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Informatik 31 - Lehrstuhl für Artificial Intelligence in Healthcare and Medicine (Prof. Rückert)
- Betreuer:
- Rückert, Daniel (Prof. Dr.)
- Gutachter:
- Rückert, Daniel (Prof. Dr.); Navab, Nassir (Prof. Dr.); Glocker, Ben (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- Graph Deep Learning; Medical Data; Differential Privacy
- Übersetzte Stichworte:
- Graphneuronale Netze; Medizinische Daten; Differential Privacy
- TU-Systematik:
- DAT 700; MED 370; MED 230
- Kurzfassung:
- This dissertation discusses different applications, advantages, and limitations of graph deep learning on medical data. We investigate the impact and assessment of the graph structure on the performance of graph neural networks (GNNs) and discuss privacy-preserving graph deep learning using differential privacy. With the works summarised in this dissertation, we hope to contribute towards a better understanding of the power of GNNs and their applicability to medical research and workflows.
- Übersetzte Kurzfassung:
- Diese Dissertation befasst sich mit unterschiedlichen Anwendungen, Vorteilen und Grenzen von Graphneuronalen Netzen (GNNs) auf medizinischen Daten. Wir untersuchen den Einfluss der Graphstruktur auf die erfolgreiche Anwendung von GNNs und diskutieren privatsphärewahrende Deep Learning Methoden mit Differential Privacy. Mit den Arbeiten dieser Dissertation, wollen wir zu einem besseren Verständnis der Leistungsfähigkeit von GNNs und deren Anwendung in medizinischen Bereichen beitragen.
- WWW:
- https://mediatum.ub.tum.de/?id=1739875
- Eingereicht am:
- 25.04.2024
- Mündliche Prüfung:
- 19.12.2024
- Dateigröße:
- 14173907 bytes
- Seiten:
- 241
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20241219-1739875-0-4
- Letzte Änderung:
- 27.03.2025
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology