Radiotracer uptake classification using deep learning for evaluation of image-derived cancer biomarkers in PET/CT

Capobianco, Nicolò

Benutzer: Gast

Nicolò Capobianco

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link

Originaltitel:: Radiotracer uptake classification using deep learning for evaluation of image-derived cancer biomarkers in PET/CT
Übersetzter Titel:: Klassifikation der Radiotracer-Aufnahme mittels Deep Learning-Verfahren zur Bewertung von bildbasierten Krebs-Biomarkern in PET/CT
Autor:: Capobianco, Nicolò
Jahr:: 2022
Dokumenttyp:: Dissertation
Fakultät/School:: Fakultät für Informatik
Betreuer:: Navab, Nassir (Prof. Dr.)
Gutachter:: Navab, Nassir (Prof. Dr.); Nekolla, Stephan (Priv.-Doz. Dr.); Piana, Michele (Prof. Dr.)
Sprache:: en
Fachgebiet:: DAT Datenverarbeitung, Informatik; MED Medizin
TU-Systematik:: MED 230; DAT 760
Kurzfassung:: Accurate assessment of disease spread is crucial in the care of cancer patients, and medical imaging is frequently used as noninvasive diagnostic tool. This dissertation presents methods for the analysis of positron emission tomography (PET) / computed tomography (CT) images in oncology. A deep learning method for classification of image regions with elevated radiotracer uptake is described and shown to support the evaluation of image-derived biomarkers such as cancer stage and tumor burden.
Übersetzte Kurzfassung:: Die genaue Beurteilung der Krankheitsausbreitung ist bei der Versorgung von Krebspatienten von entscheidender Bedeutung, und die medizinische Bildgebung wird als Diagnosewerkzeug verwendet. In dieser Dissertation werden Methoden zur Analyse von Positronenemissionstomographie- und Computertomographie-Bildern vorgestellt. Es wird eine Methode zur Klassifizierung von Bildregionen mit erhöhter Tracer-Aufnahme beschrieben und gezeigt, dass sie die Bewertung von bildbasierten Biomarkern unterstützt.
WWW:: https://mediatum.ub.tum.de/?id=1624506
Eingereicht am:: 14.10.2021
Mündliche Prüfung:: 22.06.2022
Dateigröße:: 5916634 bytes
Seiten:: 101
Urn (Zitierfähige URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220622-1624506-1-9
Letzte Änderung:: 22.08.2022
BibTeX