TUM School of Computation, Information and Technology
Advisor:
Menze, Björn (Prof. Dr.)
Referee:
Menze, Björn (Prof. Dr.); Wiestler, Benedikt (Priv.-Doz. Dr.)
Language:
en
Subject group:
NAT Naturwissenschaften (allgemein)
Keywords:
deep learning, vessel segmentation, collateral flow
Translated keywords:
Deep Learning, Gefäßsegmentierung, Kollateralfluss
TUM classification:
PHY 820; MED 370
Abstract:
The first part of this work focuses on three main challenges that arise from using existing state-of-the-art deep learning methodologies in the analysis of vascular networks – the memory and computational overhead, the class imbalance in the dataset, and the limited annotated data for the training process and propose solutions to address the above challenges. The second part studies collateral circulation in stroke patients and presents a deep-learning approach to automate the grading process.
Translated abstract:
Der erste Teil dieser Dissertation befasst sich mit den drei größten Herausforderungen, die sich aus der Verwendung bestehender moderner Deep-Learning-Methoden bei der Analyse vaskulärer Netzwerke ergeben - dem Speicher- und Rechenaufwand, dem Klassenungleichgewicht im Datensatz und den begrenzten annotierten Daten für den Trainingsprozess - und schlägt Lösungen zur Bewältigung der oben genannten Herausforderungen vor. Der zweite Teil untersucht die kollaterale Zirkulation bei Schlaganfallpatienten und stellt einen Deep-Learning-Ansatz zur Automatisierung des Klassifizierungsprozesses vor.
«
Der erste Teil dieser Dissertation befasst sich mit den drei größten Herausforderungen, die sich aus der Verwendung bestehender moderner Deep-Learning-Methoden bei der Analyse vaskulärer Netzwerke ergeben - dem Speicher- und Rechenaufwand, dem Klassenungleichgewicht im Datensatz und den begrenzten annotierten Daten für den Trainingsprozess - und schlägt Lösungen zur Bewältigung der oben genannten Herausforderungen vor. Der zweite Teil untersucht die kollaterale Zirkulation bei Schlaganfallpatien...
»