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...     »