Generative modeling for medical image analysis

Han, Tianyu; Schulz, Volkmar Adolf; Stahl, Achim

doi:10.18154/RWTH-2024-00999

Generative modeling for medical image analysis

Han, Tianyu^RWTH*

2024

Verantwortlichkeitsangabevorgelegt von Tianyu Han

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Schulz, Volkmar Adolf (Thesis advisor)^RWTH* ; Stahl, Achim (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-01-25

Online
DOI: 10.18154/RWTH-2024-00999
URL: https://publications.rwth-aachen.de/record/977930/files/977930.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
deep learning (frei) ; generative models (frei) ; machine learning (frei) ; medical imaging (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Die Radiologie durchläuft mit der zunehmenden Integration von maschinellem Lernen in die medizinische Bildgebung einen Wandel. Dies verspricht eine höhere diagnostische Präzision und eine schnellere Diagnose. Doch die Entwicklung leistungsstarker Algorithmen für maschinelles Lernen für diesen Bereich erfordert oft große Mengen an gekennzeichneten Daten. In komplizierten radiologischen Szenarien kann die Kommentierung dieser Bilder sowohl zeitintensiv als auch kostspielig sein. Um diesen Hürden entgegenzuwirken, plädieren wir für unüberwachte Lernmethoden in der medizinischen Bildanalyse. Wir legen Wert auf den Einsatz eines selbstüberwachten generativen Modells. Dieses Modell ist darauf zugeschnitten, latente zeitliche Trajektorien aus Längsröntgenaufnahmen von Patienten zu entschlüsseln und so modellbasierte Prognosen über die Entstehung und Entwicklung von Arthrose zu ermöglichen. Darüber hinaus stellen wir ein innovatives Paradigma vor, das darauf abzielt, medizinische Bildgebungsdaten für das Algorithmentraining öffentlich zu teilen. Dadurch wird der Schutz sensibler Patientendaten gewährleistet. Darüber hinaus unterstreichen wir die Notwendigkeit, die Transparenz von Deep Learning im klinischen Umfeld zu erhöhen und die Widerstandsfähigkeit der Algorithmen gegenüber gegnerischen Angriffen zu stärken. Indem wir unüberwachte Lernstrategien nutzen und bahnbrechende Wege finden, um medizinische Bilddaten sowohl zugänglich als auch sicher zu machen, stehen wir im Wesentlichen an der Schwelle zur Neudefinition der radiologischen Forschung und verbessern gleichzeitig die Ergebnisse der Patientenversorgung.

Radiology is undergoing a transformation with the increasing integration of machine learning into medical imaging. This promises enhanced diagnostic precision and faster diagnosis. Yet, creating potent machine learning algorithms for this domain often demands vast volumes of labeled data. In intricate radiological scenarios, annotating these images can be both time-intensive and costly. To counteract these hurdles, we advocate for unsupervised learning methodologies in medical imaging analysis. We place emphasis on the deployment of a self-supervised generative model. This model is tailored to decipher latent temporal trajectories from longitudinal radiographs of patients, thereby facilitating model-driven forecasts regarding the emergence and evolution of osteoarthritis. Further, we introduce an innovative paradigm aimed at publicly sharing medical imaging data for algorithm training. This ensures the safeguarding of sensitive patient information. Alongside, we underline the imperative to elevate the transparency of deep learning in a clinical setting and bolster the algorithms’ resilience to adversarial onslaughts. In essence, by capitalizing on unsupervised learning strategies and pioneering ways to make medical imaging data both accessible and secure, we stand on the cusp of redefining radiological research, all while elevating patient care outcomes.

OpenAccess:
PDF
(additional files)