Login
- Originaltitel:
- Methods for the acquisition, learning-based segmentation and quantitative analysis of ultrasound volumes
- Übersetzter Titel:
- Die Erfassung, Fusion und Analyse von Ultraschallbildern zur Verbesserung der quantitativen 3D-Ultraschallmessungen.
- Autor:
- Gonzalez Duque, Vanessa
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Informatik 16 - Lehrstuhl für Anwendungen in der Medizin (Prof. Navab)
- Betreuer:
- Navab, Nassir (Prof. Dr.)
- Gutachter:
- Navab, Nassir (Prof. Dr.); Mateus, Diana (Prof. Dr.); Yaqub, Mohammad (Assoc. Prof.); Zuluaga Valencia, Maria Alejandra (Prof.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik; MED Medizin
- Stichworte:
- 3D ultrasound, label interpolation, confidence maps, labeling variability, negative labels, Grad-Cam, multi-task paradigm
- Übersetzte Stichworte:
- 3D-Ultraschall, Beschriftungsinterpolation, Vertrauenskarten, Beschriftungsvariabilität, negative Beschriftungen, Grad-Cam, Multi-Task-Paradigma
- TU-Systematik:
- MED 230; DAT 760
- Kurzfassung:
- This thesis investigates deep learning methods for ultrasound diagnostics, studying methods to convert 2D data into high-quality 3D images, and addressing dataset scarcity and image variability. It proposes UNet-S-R-CLSTM and IFSSnet architectures for High-resolution image segmentation, emphasizing on fair ultrasound edge evaluation. Evaluations use 4 ultrasound datasets and compare against more than 6 state-of-art methods.
- Übersetzte Kurzfassung:
- Diese Forschung untersucht Deep-Learning-Techniken für die Verbesserung der Ultrasound-diagnostik, durch die Entwicklung von Verfahren zur Umwandlung von 2D-Daten in hochwertige 3D-Bilder und adressiert Probleme wie Datensatzmangel und Bildvariabilität. Es werden die UNet-S-R-CLSTM und IFSSnet Architekturen für hochauflösende Bildsegmentierung eingeführt, mit einem Fokus auf präziser Bewertung von Ultraschallkanten. Forschung vergleicht 4 Ultraschalldaten mit >6 Top-Methoden.
- WWW:
- https://mediatum.ub.tum.de/?id=1734676
- Eingereicht am:
- 14.02.2024
- Mündliche Prüfung:
- 15.11.2024
- Dateigröße:
- 17842615 bytes
- Seiten:
- 190
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20241115-1734676-1-4
- Letzte Änderung:
- 29.11.2024
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology