TUM School of Computation, Information and Technology
Betreuer:
Menze, Björn (Prof. Dr.)
Gutachter:
Menze, Björn (Prof. Dr.); Van Leemput, Koen (Prof. Dr.); Raviv, Tammy Riklin (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
NAT Naturwissenschaften (allgemein)
Stichworte:
deep learning, neuroimaging, domain adaptation, image synthesis, image segmentation
Übersetzte Stichworte:
Deep Learning, Neuroimaging, Domänenanpassung, Bildsynthese, Bildsegmentierung
TU-Systematik:
MED 230; DAT 760
Kurzfassung:
Recent progress in machine learning, in particular deep learning, and the increasingly large-scale neuroimaging datasets, promise to improve brain-related healthcare. This dissertation aims to develop novel deep learning methods that process neuroimaging data efficiently, appreciate the imperfection of datasets, and generalize well to the shifted domains.
Übersetzte Kurzfassung:
Die jüngsten Fortschritte im Bereich des maschinellen Lernens, insbesondere des Deep Learning, und die Sammlung von immer umfangreicheren multimodalen Neuroimaging-Datensätzen versprechen eine Verbesserung der Gesundheitsversorgung. Diese Dissertation zielt darauf ab, diese Engpässe durch die Entwicklung effizienter, bereichsübergreifender Deep-Learning-Methoden zu beheben, die Neuroimaging-Daten effizient verarbeiten, die Unvollkommenheit von Datensätzen berücksichtigen und sich gut auf die verschobenen Bereiche verallgemeinern lassen.
«
Die jüngsten Fortschritte im Bereich des maschinellen Lernens, insbesondere des Deep Learning, und die Sammlung von immer umfangreicheren multimodalen Neuroimaging-Datensätzen versprechen eine Verbesserung der Gesundheitsversorgung. Diese Dissertation zielt darauf ab, diese Engpässe durch die Entwicklung effizienter, bereichsübergreifender Deep-Learning-Methoden zu beheben, die Neuroimaging-Daten effizient verarbeiten, die Unvollkommenheit von Datensätzen berücksichtigen und sich gut auf die ver...
»