User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Data Mining and Machine Learning Methods for High-dimensional Patient Data in Dementia Research: Voxel Features Mining, Subgroup Discovery and Multi-view Learning
Translated title:
Data Mining und Maschinelles Lernen Verfahren für Hochdimensionale Patientendaten in Demenzforschung : Voxel Merkmale Mining, Subgroup Discovery und Multi-View-Learning
Author:
Li, Rui
Year:
2017
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Rost, Burkhard (Prof. Dr.)
Referee:
Rost, Burkhard (Prof. Dr.); Kramer, Stefan (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik; MED Medizin
Keywords:
Positron emission tomography, dementia, voxel features mining, subgroup discovery, multi-view learning, data mining
Translated keywords:
Positronen Emissions Tomographie, Demenz, Voxel Features Mining, Subgroup Discovery, Multi-View-Learning, Datamining
TUM classification:
BIO 110d
Abstract:
Today, patient data often includes large amounts of structured information, such as neuroimaging data, neuropsychological test results, etc. Human beings, however, cannot analyze so much information, at least not without the help of modern data mining and machine learning methods. Given the diverse sources of information, computerized methods show a great promise to help clinicians to discover hidden patterns in disease data.
Translated abstract:
Heutzutage enthalten Patientendaten häufig eine große Menge von strukturierten Informationen, wie beispielsweise Neuroimaging-Daten, neuropsychologische Test Ergebnisse, usw. Allerdings können Menschen so viele Informationen nicht ohne die Hilfe von modernem Datamining und maschinellen Lernverfahren analysieren. Mit Hilfe solch vielfältiger Informationsquellen können Computerwissenschaftler computergestützte Methoden entwickeln, um Muster zu entdecken, welche Ärzten dabei helfen können.
WWW:
https://mediatum.ub.tum.de/?id=1310555
Date of submission:
22.06.2016
Oral examination:
09.01.2017
File size:
3861704 bytes
Pages:
164
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20161101-1310555-1-1
Last change:
02.02.2017
 BibTeX