This thesis addresses the annotated data insufficiency in medical imaging from three perspectives. First, we augment the model with data generated via random linear interpolation at the input and hidden spaces. Second, using a dynamic learning policy, we seek other data resources using federated learning, peer learning, and knowledge sharing. Lastly, we extracted the knowledge from unlabeled data using self-supervised learning via virtual embeddings and self-consistency.
Übersetzte Kurzfassung:
In dieser Arbeit wird der Mangel an kommentierten Daten in der medizinischen Bildgebung aus drei Perspektiven betrachtet. Erstens erweitern wir das Modell mit Daten, die durch zufällige lineare Interpolation im Eingabe- und im verborgenen Raum erzeugt werden. Zweitens suchen wir mithilfe einer dynamischen Lernstrategie nach anderen Datenressourcen, indem wir föderiertes Lernen, Peer-Learning und Wissensaustausch einsetzen. Schließlich extrahieren wir das Wissen aus unbeschrifteten Daten durch selbstüberwachtes Lernen mittels virtueller Einbettungen und Selbstkonsistenz.
«
In dieser Arbeit wird der Mangel an kommentierten Daten in der medizinischen Bildgebung aus drei Perspektiven betrachtet. Erstens erweitern wir das Modell mit Daten, die durch zufällige lineare Interpolation im Eingabe- und im verborgenen Raum erzeugt werden. Zweitens suchen wir mithilfe einer dynamischen Lernstrategie nach anderen Datenressourcen, indem wir föderiertes Lernen, Peer-Learning und Wissensaustausch einsetzen. Schließlich extrahieren wir das Wissen aus unbeschrifteten Daten durch se...
»