Benutzer: Gast  Login
Originaltitel:
Quantitative Image Analysis for Enhanced Diagnostics in Patient Care Employing Radiomics and Deep Learning Techniques
Übersetzter Titel:
Quantitative Bildanalyse zur Verbesserung der Diagnostik in der Patientenversorgung unter Verwendung von Radiomics und Deep-Learning-Techniken
Autor:
Jungmann, Friederike
Jahr:
2025
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Medicine and Health
Institution:
Institut für Diagnostische und Interventionelle Radiologie (Prof. Makowski)
Betreuer:
Braren, Rickmer (Prof. Dr.)
Gutachter:
Braren, Rickmer (Prof. Dr.); Gersing, Alexandra (Priv.-Doz. Dr.); Kirschke, Jan S. (Prof. Dr.)
Sprache:
en
Fachgebiet:
MED Medizin
TU-Systematik:
MED 540
Kurzfassung:
This thesis explores quantitative image analysis in medical contexts to evaluate clinical applicability. Advantages and challenges of radiomics and deep-learning methods are assessed by applying them to medical tasks. Radiomics is employed for survival prediction in pancreatic cancer, while deep-learning is used to explore human-AI collaboration in mammogram analysis. Albeit several challenges persist, including standardization, integration, and data privacy, quantitative image analysis techniqu...     »
Übersetzte Kurzfassung:
In dieser Arbeit wird quantitative Bildanalyse im medizinischen Kontext und ihre klinische Verwendbarkeit untersucht. Vorteile und Herausforderungen von Radiomics- und Deep-Learning-Methoden werden anhand ihrer Anwendung auf medizinische Aufgabenstellungen bewertet. Radiomics wird für die Überlebensvorhersage bei Bauchspeicheldrüsenkrebs eingesetzt, während Deep-Learning verwendet wird, um die Zusammenarbeit zwischen Mensch und KI bei der Mammogrammanalyse zu untersuchen. Trotz einiger Herausfor...     »
WWW:
https://mediatum.ub.tum.de/?id=1725443
Eingereicht am:
09.11.2023
Mündliche Prüfung:
09.01.2025
Dateigröße:
4758397 bytes
Seiten:
150
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250109-1725443-0-4
Letzte Änderung:
17.04.2025
 BibTeX