Supervised Deep Learning has shown great potential for automatic anomaly detection in brain MRI, but requires vast amounts of manually annotated training samples and has conceptual limitations. This thesis highlights a path towards unsupervised methods, which do not depend on such annotated data. Presented contributions include i) semi-supervised concepts which leverage both labeled and unlabeled data, and ii) anomaly detection frameworks which do not require diseased data at all.
Übersetzte Kurzfassung:
Supervised Deep Learning (DL) eignet sich hervorragend für die automatische Detektion von Anomalien in Gehirn-MRTs, benötigt für das Training aber große Mengen manuell annotierter Daten und bringt konzeptuelle Einschränkungen mit sich. Diese Dissertation beschreibt einen Weg hin zu Unsupervised Methoden, die nicht auf solche annotierten Daten angewiesen sind. Die wiss. Beiträge umfassen Semi-Supervised Konzepte sowie Methoden zur Anomalie-Detektion, die keinerlei pathologische Beispieldaten benötigen.
«
Supervised Deep Learning (DL) eignet sich hervorragend für die automatische Detektion von Anomalien in Gehirn-MRTs, benötigt für das Training aber große Mengen manuell annotierter Daten und bringt konzeptuelle Einschränkungen mit sich. Diese Dissertation beschreibt einen Weg hin zu Unsupervised Methoden, die nicht auf solche annotierten Daten angewiesen sind. Die wiss. Beiträge umfassen Semi-Supervised Konzepte sowie Methoden zur Anomalie-Detektion, die keinerlei pathologische Beispieldaten benö...
»