Möglichkeiten und Limitationen automatischer Wirbelkörpersegmentierungen in Abhängigkeit von patientenspezifischen Faktoren und vorhandenen Trainingsdaten
Übersetzter Titel:
Possibilities and limitations of automatic vertebral body segmentation depending on patient-specific factors and available training data
TUM School of Computation, Information and Technology
Betreuer:
Kirschke, Jan St. (Prof. Dr.)
Gutachter:
Kirschke, Jan St. (Prof. Dr.); Weitz, Jochen (Priv.-Doz. Dr. Dr.)
Sprache:
de
Fachgebiet:
MED Medizin
TU-Systematik:
MED 553; MED 540
Kurzfassung:
In der Dissertation wurde die Leistungsfähigkeit des eigens entwickelten Deep-Learning-Algorithmus zur Detektion und Segmentierung von Wirbelkörpern in 160 CT-, und DXA-Aufnahmen untersucht. Zur Bewertung der Segmentierungspräzision des Convolutional-neuronal-network erfolgte in 43 Fällen ein Vergleich mit manuell korrigierten Segmentierungsmasken. Durch Erhebung des Dice-Scores pro Wirbelkörper konnten patienten-, und bildspezifische Einflussfaktoren für die Fehleranfälligkeit des Algorithmus analysiert und aufgezeigt werden.
«
In der Dissertation wurde die Leistungsfähigkeit des eigens entwickelten Deep-Learning-Algorithmus zur Detektion und Segmentierung von Wirbelkörpern in 160 CT-, und DXA-Aufnahmen untersucht. Zur Bewertung der Segmentierungspräzision des Convolutional-neuronal-network erfolgte in 43 Fällen ein Vergleich mit manuell korrigierten Segmentierungsmasken. Durch Erhebung des Dice-Scores pro Wirbelkörper konnten patienten-, und bildspezifische Einflussfaktoren für die Fehleranfälligkeit des Algorithmus a...
»
Übersetzte Kurzfassung:
In this dissertation, the performance of the in-house developed deep learning algorithm for vertebral body detection and segmentation was investigated in 160 CT, and DXA images. To evaluate the segmentation precision of the convolutional neural network, a comparison was made with manually corrected segmentation masks in 43 cases. By collecting the Dice score per vertebral body, patient-, and image-specific influencing factors for the error-proneness of the algorithm could be analyzed and pointed out.
«
In this dissertation, the performance of the in-house developed deep learning algorithm for vertebral body detection and segmentation was investigated in 160 CT, and DXA images. To evaluate the segmentation precision of the convolutional neural network, a comparison was made with manually corrected segmentation masks in 43 cases. By collecting the Dice score per vertebral body, patient-, and image-specific influencing factors for the error-proneness of the algorithm could be analyzed and pointed...
»