Gast ::
000977930 001__ 977930 000977930 005__ 20240315133217.0 000977930 0247_ $$2HBZ$$aHT030655636 000977930 0247_ $$2Laufende Nummer$$a43006 000977930 0247_ $$2datacite_doi$$a10.18154/RWTH-2024-00999 000977930 037__ $$aRWTH-2024-00999 000977930 041__ $$aEnglish 000977930 082__ $$a530 000977930 1001_ $$0P:(DE-588)1278510001$$aHan, Tianyu$$b0$$urwth 000977930 245__ $$aGenerative modeling for medical image analysis$$cvorgelegt von Tianyu Han$$honline 000977930 260__ $$aAachen$$bRWTH Aachen University$$c2024 000977930 300__ $$a1 Online-Ressource : Illustrationen 000977930 3367_ $$02$$2EndNote$$aThesis 000977930 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd 000977930 3367_ $$2BibTeX$$aPHDTHESIS 000977930 3367_ $$2DRIVER$$adoctoralThesis 000977930 3367_ $$2DataCite$$aOutput Types/Dissertation 000977930 3367_ $$2ORCID$$aDISSERTATION 000977930 502__ $$aDissertation, RWTH Aachen University, 2024$$bDissertation$$cRWTH Aachen University$$d2024$$gFak01$$o2024-01-25 000977930 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 000977930 5203_ $$aDie 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.$$lger 000977930 520__ $$aRadiology 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.$$leng 000977930 588__ $$aDataset connected to Lobid/HBZ 000977930 591__ $$aGermany 000977930 653_7 $$adeep learning 000977930 653_7 $$agenerative models 000977930 653_7 $$amachine learning 000977930 653_7 $$amedical imaging 000977930 7001_ $$0P:(DE-82)IDM04188$$aSchulz, Volkmar Adolf$$b1$$eThesis advisor$$urwth 000977930 7001_ $$0P:(DE-82)IDM00167$$aStahl, Achim$$b2$$eThesis advisor$$urwth 000977930 8564_ $$uhttps://publications.rwth-aachen.de/record/977930/files/977930.pdf$$yOpenAccess 000977930 8564_ $$uhttps://publications.rwth-aachen.de/record/977930/files/977930_source.zip$$yRestricted 000977930 909CO $$ooai:publications.rwth-aachen.de:977930$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire 000977930 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess 000977930 9141_ $$y2024 000977930 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1278510001$$aRWTH Aachen$$b0$$kRWTH 000977930 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04188$$aRWTH Aachen$$b1$$kRWTH 000977930 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00167$$aRWTH Aachen$$b2$$kRWTH 000977930 9201_ $$0I:(DE-82)133510_20140620$$k133510$$lLehrstuhl für Experimentalphysik III B$$x0 000977930 9201_ $$0I:(DE-82)130000_20140620$$k130000$$lFachgruppe Physik$$x1 000977930 961__ $$c2024-03-13T10:00:59.172145$$x2024-01-30T20:06:42.717661$$z2024-03-13T10:00:59.172145 000977930 9801_ $$aFullTexts 000977930 980__ $$aI:(DE-82)130000_20140620 000977930 980__ $$aI:(DE-82)133510_20140620 000977930 980__ $$aUNRESTRICTED 000977930 980__ $$aVDB 000977930 980__ $$aphd