User: Guest  Login
More Searchfields
Simple search
Original title:
Machine Learning for Analysis and Diagnosis of Musculoskeletal Tumours
Translated title:
Maschinelles Lernen für die Analyse und Diagnose von muskuloskelettalen Tumoren
Author:
Hinterwimmer, Florian Georg Maximilian
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 31 - Lehrstuhl für Artificial Intelligence in Healthcare and Medicine (Prof. Rückert)
Advisor:
Rückert, Daniel (Prof. Dr.)
Referee:
Rückert, Daniel (Prof. Dr.); Rodriguez y Baena, Ferdinando (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik; MED Medizin
Keywords:
musculoskeletal, tumour, deep learning, machine learning, early detection, mutlimodal
Translated keywords:
Muskuloskelettal, Tumor, Deep Learning, Machine Learning, Früherkennung, Mutlimodal
TUM classification:
DAT 700; MED 370; MED 230
Abstract:
Musculoskeletal tumors are rare and diverse entities, presenting challenges for clinicians in early detection and precise classification. This dissertation develops machine learning algorithms using retrospective clinical and imaging data (1962-2021) to improve diagnosis. Among others, an X-ray sorting algorithm (96.6% accuracy) and a multimodal tumour classification model (92.86% accuracy) were developed. The models surpass state-of-the-art models in performance, robustness and explainability....     »
Translated abstract:
Muskuloskelettale Tumoren sind seltene und vielfältige Entitäten, die für Kliniker Herausforderungen bei der Früherkennung und präzisen Klassifizierung darstellen. Diese Dissertation entwickelt mithilfe retrospektiver klinischer und bildgebender Daten (1962-2021) maschinelles Lernen, um die Diagnose zu verbessern. Unter anderem wurden ein Röntgensortieralgorithmus (96,6% Genauigkeit) und ein multimodales Tumor-Klassifikationsmodell (92,86% Genauigkeit) entwickelt. Die Modelle übertreffen in Leis...     »
WWW:
https://mediatum.ub.tum.de/?id=1735480
Date of submission:
20.02.2024
Oral examination:
24.07.2024
File size:
39184698 bytes
Pages:
149
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240724-1735480-1-3
Last change:
29.08.2024
 BibTeX