Benutzer: Gast  Login
Originaltitel:
Machine Learning for Analysis and Diagnosis of Musculoskeletal Tumours
Übersetzter Titel:
Maschinelles Lernen für die Analyse und Diagnose von muskuloskelettalen Tumoren
Autor:
Hinterwimmer, Florian Georg Maximilian
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 31 - Lehrstuhl für Artificial Intelligence in Healthcare and Medicine (Prof. Rückert)
Betreuer:
Rückert, Daniel (Prof. Dr.)
Gutachter:
Rückert, Daniel (Prof. Dr.); Rodriguez y Baena, Ferdinando (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik; MED Medizin
Stichworte:
musculoskeletal, tumour, deep learning, machine learning, early detection, mutlimodal
Übersetzte Stichworte:
Muskuloskelettal, Tumor, Deep Learning, Machine Learning, Früherkennung, Mutlimodal
TU-Systematik:
DAT 700; MED 370; MED 230
Kurzfassung:
Musculoskeletal tumors are rare and diverse entities, presenting challenges for clinicians in early detection and precise classification. This dissertation develops machine learning algorithms using retrospective clinical and imaging data (1962-2021) to improve diagnosis. Among others, an X-ray sorting algorithm (96.6% accuracy) and a multimodal tumour classification model (92.86% accuracy) were developed. The models surpass state-of-the-art models in performance, robustness and explainability....     »
Übersetzte Kurzfassung:
Muskuloskelettale Tumoren sind seltene und vielfältige Entitäten, die für Kliniker Herausforderungen bei der Früherkennung und präzisen Klassifizierung darstellen. Diese Dissertation entwickelt mithilfe retrospektiver klinischer und bildgebender Daten (1962-2021) maschinelles Lernen, um die Diagnose zu verbessern. Unter anderem wurden ein Röntgensortieralgorithmus (96,6% Genauigkeit) und ein multimodales Tumor-Klassifikationsmodell (92,86% Genauigkeit) entwickelt. Die Modelle übertreffen in Leis...     »
WWW:
https://mediatum.ub.tum.de/?id=1735480
Eingereicht am:
20.02.2024
Mündliche Prüfung:
24.07.2024
Dateigröße:
39184698 bytes
Seiten:
149
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240724-1735480-1-3
Letzte Änderung:
29.08.2024
 BibTeX