Login
- Originaltitel:
- Learnable personalization of brain tumor growth models
- Übersetzter Titel:
- Lernbare Personalisierung von Hirntumor-Wachstumsmodellen
- Autor:
- Ezhov, Ivan
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Menze, Björn H. (Prof. Dr.)
- Gutachter:
- Menze, Björn H. (Prof. Dr.); Lowengrub, John (Prof. Dr.); Mang, Andreas (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik; MED Medizin
- TU-Systematik:
- DAT 760; MED 230
- Kurzfassung:
- Treatment planning for patients diagnosed with brain tumors requires understanding the disease dynamics. Mathematical formalization of the tumor progression often implies resorting to a parameterized system of differential equations. This dissertation addresses computational bottlenecks of calibrating tumor models from medical data by developing efficient algorithms for parametric inference.
- Übersetzte Kurzfassung:
- Eine Behandlungsplanung für Patienten mit Hirntumor erfordert ein Verständnis der Krankheitsdynamik. Die mathematische Formalisierung der Tumorprogression greift in der Regel auf ein parametrisches System von Differentialgleichungen zurück. Um den limiterenden Faktor der Rechenzeit für die Verknüpfung von Tumormodellen mit medizinischen Daten zu eliminieren, befasst sich diese Dissertation mit der Entwicklung effizienter Algorithmen für die parametrische Inferenz.
- WWW:
- https://mediatum.ub.tum.de/?id=1694796
- Eingereicht am:
- 17.04.2023
- Mündliche Prüfung:
- 18.12.2023
- Dateigröße:
- 14498730 bytes
- Seiten:
- 96
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231218-1694796-1-0
- Letzte Änderung:
- 23.01.2024
BibTeX