Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Deep Learning for Image Reconstruction: Data Requirements and its Application to Motion-Correction in MRI
Übersetzter Titel:
Deep Learning für Bildrekonstruktion: Datenanforderungen and seine Anwendung auf Bewegungskorrektur in MRT
Autor:
Klug, Tobit Benjamin
Jahr:
2025
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Machine Learning (Prof. Heckel)
Betreuer:
Heckel, Reinhard (Prof. Dr.)
Gutachter:
Heckel, Reinhard (Prof. Dr.); Uecker, Martin (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 708
Kurzfassung:
In the first part of this work, we study data requirements for deep learning-based image reconstruction. We establish empirical scaling laws for supervised learning, the sample complexity of self-supervised learning and investigate test-time-training for improved data efficiency. In the second part, we propose a novel deep learning-based method as well as a novel benchmark dataset for the challenging problem of 3D MRI reconstruction under patient motion.
Übersetzte Kurzfassung:
Im ersten Teil dieser Arbeit untersuchen wir die Datenanforderungen für Deep Learning basierte Bildrekonstruktion. Wir bestimmen empirische Skalierungsgesetze für überwachtes Lernen, die Sample Complexity des selbstüberwachten Lernens und untersuchen Testzeit-Training zur verbesserten Dateneffizienz. Im zweiten Teil stellen wir eine neue, Deep Learning basierte Methode sowie einen neuen Benchmark-Datensatz für das herausfordernde Problem der 3D-MRT-Rekonstruktion unter Patientenbewegung vor.
WWW:
https://mediatum.ub.tum.de/?id=1771893
Eingereicht am:
18.02.2025
Mündliche Prüfung:
01.08.2025
Dateigröße:
44216296 bytes
Seiten:
180
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250801-1771893-0-4
Veröffentlicht am:
25.09.2025
 BibTeX