22455 research outputs found
Sort by
Deep learning for medical image processing
Get PDFMedical image segmentation represents a fundamental aspect of medical image computing. It facilitates measurements of anatomical structures, like organ volume and tissue thickness, critical for many classification algorithms which can be instrumental for clinical diagnosis. Consequently, enhancing the efficiency and accuracy of segmentation algorithms could lead to considerable improvements in patient care and diagnostic precision.
In recent years, deep learning has become the state-of-the-art approach in various domains of medical image computing, including medical image segmentation.
The key advantages of deep learning methods are their speed and efficiency, which have the potential to transform clinical practice significantly. Traditional algorithms might require hours to perform complex computations, but with deep learning, such computational tasks can be executed much faster, often within seconds.
This thesis focuses on two distinct segmentation strategies: voxel-based and surface-based.
Voxel-based segmentation assigns a class label to each individual voxel of an image. On the other hand, surface-based segmentation techniques involve reconstructing a 3D surface from the input images, then segmenting that surface into different regions.
This thesis presents multiple methods for voxel-based image segmentation. Here, the focus is segmenting brain structures, white matter hyperintensities, and abdominal organs. Our approaches confront challenges such as domain adaptation, learning with limited data, and optimizing network architectures to handle 3D images. Additionally, the thesis discusses ways to handle the failure cases of standard deep learning approaches, such as dealing with rare cases like patients who have undergone organ resection surgery.
Finally, the thesis turns its attention to cortical surface reconstruction and parcellation. Here, deep learning is used to extract cortical surfaces from MRI scans as triangular meshes and parcellate these surfaces on a vertex level. The challenges posed by this approach include handling irregular and topologically complex structures.
This thesis presents novel deep learning strategies for voxel-based and surface-based medical image segmentation. By addressing specific challenges in each approach, it aims to contribute to the ongoing advancement of medical image computing.Die Segmentierung medizinischer Bilder stellt einen fundamentalen Aspekt der medizinischen Bildverarbeitung dar. Sie erleichtert Messungen anatomischer Strukturen, wie Organvolumen und Gewebedicke, die für viele Klassifikationsalgorithmen entscheidend sein können und somit für klinische Diagnosen von Bedeutung sind. Daher könnten Verbesserungen in der Effizienz und Genauigkeit von Segmentierungsalgorithmen zu erheblichen Fortschritten in der Patientenversorgung und diagnostischen Genauigkeit führen.
Deep Learning hat sich in den letzten Jahren als führender Ansatz in verschiedenen Be-reichen der medizinischen Bildverarbeitung etabliert. Die Hauptvorteile dieser Methoden sind Geschwindigkeit und Effizienz, die die klinische Praxis erheblich verändern können. Traditionelle Algorithmen benötigen möglicherweise Stunden, um komplexe Berechnungen durchzuführen, mit Deep Learning können solche rechenintensiven Aufgaben wesentlich schneller, oft innerhalb von Sekunden, ausgeführt werden.
Diese Dissertation konzentriert sich auf zwei Segmentierungsstrategien, die voxel- und oberflächenbasierte Segmentierung. Die voxelbasierte Segmentierung weist jedem Voxel eines Bildes ein Klassenlabel zu, während oberflächenbasierte Techniken eine 3D-Oberfläche aus den Eingabebildern rekonstruieren und segmentieren.
In dieser Arbeit werden mehrere Methoden für die voxelbasierte Bildsegmentierung vorgestellt. Der Fokus liegt hier auf der Segmentierung von Gehirnstrukturen, Hyperintensitäten der weißen Substanz und abdominellen Organen. Unsere Ansätze begegnen Herausforderungen wie der Anpassung an verschiedene Domänen, dem Lernen mit begrenzten Daten und der Optimierung von Netzwerkarchitekturen, um 3D-Bilder zu verarbeiten. Darüber hinaus werden in dieser Dissertation Möglichkeiten erörtert, mit den Fehlschlägen standardmäßiger Deep-Learning-Ansätze umzugehen, beispielsweise mit seltenen Fällen nach einer Organresektion.
Schließlich legen wir den Fokus auf die Rekonstruktion und Parzellierung von kortikalen Oberflächen. Hier wird Deep Learning verwendet, um kortikale Oberflächen aus MRT-Scans als Dreiecksnetz zu extrahieren und diese Oberflächen auf Knoten-Ebene zu parzellieren. Zu den Herausforderungen dieses Ansatzes gehört der Umgang mit unregelmäßigen und topologisch komplexen Strukturen.
Diese Arbeit stellt neuartige Deep-Learning-Strategien für die voxel- und oberflächenbasierte medizinische Segmentierung vor. Durch die Bewältigung spezifischer Herausforderungen in jedem Ansatz trägt sie so zur Weiterentwicklung der medizinischen Bildverarbeitung bei
Causal decomposition of complex systems and prediction of chaos using machine learning
Get PDFWe live in a complex system. Therefore, it is essential to possess techniques to analyze and comprehend its intricate dynamics in order to improve decision making. The objective of this dissertation is to contribute to the research that enhances our ability to make these complex systems less intransparent to us.
Firstly, we illustrate the impact on practical applications when nonlinearity - an often disregarded factor in causal inference - is taken into account. Therefore, we investigate the causal relationships within these systems, particularly shedding light on the distinction between linear and nonlinear drivers of causality. After developing the necessary methods, we apply them to a real-world use case and demonstrate that making slight adjustments to certain financial market frameworks can result in considerable advantages because of the resolution of the correlation-causation fallacy.
Subsequently, once the linear and nonlinear causal connections are understood, we can derive governing equations from the underlying causality structure to enhance the interpretability of models and predictions. By fine-tuning the parameters of these equations through the phenomenon of synchronization of chaos, we can ensure that they optimally represent the data.
Nevertheless, not all complex systems can be accurately described by governing equations. Therefore, the implementation of machine learning techniques like reservoir computing in predicting chaotic systems offers significant data-driven advantages. While their architecture is relatively simple, ensuring full interpretability and hardware realizations still relies on increased efficiency and reduced data requirements. This dissertation presents some of the necessary modifications to the traditional reservoir computing architecture to bring physical reservoir computing closer to realization.Wir leben in einem komplexen System. Daher ist es unerlässlich, über Techniken zur Analyse und zum Verständnis seiner verschleierten Dynamik zu verfügen, um die Entscheidungsfindung zu verbessern. Ziel dieser Dissertation ist es, einen Beitrag zur Forschung zu leisten, die unsere Möglichkeiten erweitert, diese komplexen Systeme für uns weniger intransparent zu machen.
Zunächst wird aufgezeigt, welche Auswirkungen es auf praktische Anwendungen hat, wenn Nichtlinearität - ein oft vernachlässigter Faktor bei kausaler Inferenz - berücksichtigt wird. Daher untersuchen wir die kausalen Beziehungen innerhalb dieser Systeme und beleuchten insbesondere die Unterscheidung zwischen linearen und nichtlinearen Kausalitätsfaktoren. Nachdem wir die erforderlichen Methoden entwickelt haben, wenden wir sie auf einen realen Anwendungsfall an und zeigen, dass leichte Anpassungen bestimmter Finanzmarktmodelle durch die Auflösung des Korrelations-Kausalitäts-Fehlschlusses zu erheblichen Vorteilen führen können.
Sobald die linearen und nichtlinearen Kausalzusammenhänge bekannt sind, können wir aus der zugrunde liegenden Kausalitätsstruktur die Differentialgleichungen ableiten, um die Interpretierbarkeit von Modellierungen und Vorhersagen zu verbessern. Durch die Feinjustierung der Parameter dieser Gleichungen durch das Phänomen der Synchronisierung von Chaos können wir sicherstellen, dass sie die Daten optimal darstellen.
Allerdings lassen sich nicht alle komplexen Systeme durch Differentialgleichungen adäquat beschreiben. Daher bietet die Anwendung von Techniken des maschinellen Lernens wie Reservoir Computing bei der Vorhersage chaotischer Systeme erhebliche datenbasierte Vorteile. Obwohl ihre Architektur relativ einfach ist, ist die Gewährleistung einer vollständigen Interpretierbarkeit und Hardware-Realisierung immer noch von einer erhöhten Effizienz und reduzierten Datenanforderungen abhängig. In dieser Dissertation werden einige der notwendigen Änderungen an der traditionellen Architektur vorgestellt, um physikalisches Reservoir Computing näher an die Realisierung zu bringen
Quantitative EKG-Veränderungen unter akutem Alkoholkonsum
Get PDFAlkoholkonsum hat neben einigen kurzfristigen positiven Eigenschaften viele, vor allem im chronischen Konsum, risikoreiche Nebenwirkungen (Suchtentwicklung, metabolische, neoplastische und kardiale Erkrankungen). Bereits 1976 konnte Philip Ettinger einen Zusammenhang zwischen akutem Alkoholkonsum und dem Auftreten von Vorhofflimmern nachweisen [1]. In den kommenden Jahren folgten zahlreiche weitere Studien, welche unter anderem versuchten, den genauen Pathomechanismus hinter dem von Ettinger gefundenen Zusammenhang zu erklären und zusätzlich zu den qualitativen, weitere quantitative Auswirkungen des Alkoholkonsums, zum Beispiel auf das EKG, aufzuzeigen. 2015 untersuchten Brunner et al. im Rahmen der Munich Beer Related Electrocardiogram Workup (Munich BREW I) Study bei über 3000 Besuchern des Münchner Oktoberfestes, die teilweise alkoholisiert waren, Veränderungen im EKG. Sie konnten unter anderem eine hohe Prävalenz von supraventrikulären Tachykardien zeigen (27%), welche mit steigender Atemalkoholkonzentration zunahm. Außerdem gab es Veränderungen weiterer Standard-EKG-Parameter wie der QTc-Zeit, der P-Wellendauer sowie des PQ- und des QT-Intervalls. Nicht gezeigt werden konnte jedoch der Verlauf dieser Veränderungen über die Zeit des weiteren Alkoholkonsums und darüber hinaus [2].
In dieser von der Autorin durchgeführten prospektiven Kohortenstudie konnten zum einen die EKG-morphologischen Veränderungen während und nach akutem Alkoholkonsum über einen Zeitraum von 47 Stunden aufgezeigt werden. Insbesondere wurden Messungen zwischen vordefinierten „alkoholisierten“ und „nicht alkoholisierten“ Stunden verglichen. Zum anderen wurden einzelne Rhythmusstörungen und Pathologien bei bisher herzgesunden Probanden beschrieben.
Insgesamt konnten 193 Probanden (mittleres Alter 29,9 Jahre) ohne kardiale Vorerkrankungen in die Studie eingeschlossen werden. Es gab vorab keine EKG-Aufzeichnung. Der mittlere Alkoholkonsum lag bei 149,7 Gramm Alkohol, der mittlere Atemalkoholgehalt nach 5 Stunden Alkoholkonsum lag bei 1,4 g/kg. Es fand sich ein signifikanter Anstieg der mittleren Herzfrequenz während des Alkoholkonsums. Dieser hielt auch noch signifikant in den frühen Morgenstunden während der mutmaßlichen Schlafstunden der Probanden an.
Dementsprechend war auch der Anteil an supraventrikulären Tachykardien in diesem Zeitraum deutlich erhöht. Ventrikuläre und supraventrikuläre Extrasystolen traten vor allem am Tag nach dem akuten Alkoholkonsum auf.
Außerdem untersuchten wir die Herzfrequenzvariabilitätsparameter (HRV-Parameter) RMSSD und SDANNI. Hierbei konnte eine unmittelbare Supprimierung innerhalb der ersten 5 Stunden, in welchen Alkohol getrunken wurde, nachgewiesen werden. Dies lässt vermuten, dass Alkohol eine Hemmung der Parasympathikusaktivität auslöst.
Bei einigen Probanden konnten qualitative Rhythmusstörungen nachgewiesen werden. Zu nennen sind insbesondere Vorhofflimmern (1 Proband), AV-Block III° (2 Probanden) und ventrikuläre Salven (2 Probanden).
In Zukunft sollten weitere Studien durchgeführt werden, welche zum einen breitere demographische Verteilung widerspiegeln und zum anderen auch kardial vorerkrankte Probanden einschließen. Dies ermöglicht eine bessere Generalisierbarkeit unserer Ergebnisse
Manipulation of SAMHD1 using lentiviral protein Vpx to increase sensitivity of AML cells to cytarabine
Get PDF
Parkinsonsyndrome und neurogene Sarkopenie
Get PDFSarkopenie etabliert sich mehr und mehr als neues Forschungsfeld. In den letzten zehn Jahren hat sich die Anzahl der wissenschaftlichen Artikel, die sich mit dieser Erkran-kung beschäftigen, mehr als verzehnfacht. Ein Großteil dieser Artikel thematisiert dabei allerdings noch immer die genaue Definition des Sarkopenie-Syndroms. Dies liegt zu einem gewissen Teil auch an der noch unklaren Ätiologie der Sarkopenie, die zurzeit am ehesten multifaktoriell gesehen wird. In neueren Studien konnte eine Assoziation des Verlusts von Motoneuronen mit Sarkopenie gefunden werden. Dies lässt darauf schließen, dass möglicherweise neurogene Ursachen für die Entwicklung einer Unter-gruppe der Sarkopenie mitverantwortlich sein könnten. Wie bereits Uitti und Kollegen in ihrem „neurodegenerative overlap syndrom“ beschrieben, scheinen unterschiedliche Neuropathologien und die daraus resultierenden Erkrankungen zu ähnlichen Einschrän-kungen auf funktioneller Ebene zu führen. Die vorliegenden Publikationen sollen einen Beitrag zur Erforschung möglicher neurogener Pathomechanismen der Sarkopenie leisten, insbesondere dem Verlust von Motoneuronen und dem gemeinsamen Auftreten von Sarkopenie und Parkinsonsyndromen. In einer ersten Studie wurden Werte des UPDRS-Scores, der zur Schweregradeinteilung von Parkinsonsymptomen verwendet wird, mit der Muskelmasse, der Handkraft und der Ganggeschwindigkeit in einer ge-sunden Population mit Risikofaktoren für eine Parkinsonerkrankung, Hyperechogenität der substantia nigra, die Prävalenz einer Depression über die Lebensspanne, Hyposmie, REM Schlafstörungen und der MDS-Wert, verglichen. Es konnte gezeigt werden, dass erhöhte Werte im motorischen Teil des UPDRS-Scores mit einer höheren Wahrschein-lichkeit für early-stage Sarkopenie einhergehen. Dieses Ergebnis legt die Vermutung nahe, dass es Parallelen beim Entstehungsprozess von Sarkopenie und Parkinson gibt. In einer weiteren Studie wurden diese Ergebnisse auch an einer Population bestätigt und erweitert, die bereits eine Diagnose aus dem Spektrum der Parkinson-Syndrome aufwiesen. Neben einer erhöhten Wahrscheinlichkeit für das gleichzeitige Auftreten von Sarkopenie und Parkinson konnte zudem herausgefunden werden, dass insbesondere Personen mit einem sekundären Parkinson eine Sarkopenie aufweisen, die scheinbar durch den Verlust von Motoneuronen hervorgerufen worden war. Die Ergebnisse der beiden Studien lassen darauf schließen, dass neurogene Ursachen (Verlust von Mo-toneuronen), zumindest in einer Subpopulation, an der Entstehung der Sarkopenie bei Personen mit Parkinson-Syndrom beteiligt sind.Sarcopenia is establishing itself more and more as a new field of research. In the last ten years, the number of scientific articles dealing with this disease has increased more than tenfold. However, most of these articles still focus on the exact definition of the sarcopenia syndrome. To a certain extent, this is also due to the still unclear aetiology of sarcopenia, which is currently most likely to be seen multifactorial. In addition to these factors an association of motor neuron loss with sarcopenia has also been found in re-cent studies. This suggests that possibly neurogenic causes could be partly responsible for the development of sarcopenia. As already described by Uitti and colleagues in their "neurodegenerative overlap syndrome", different neuropathologies and the resulting diseases seem to lead to similar limitations on a functional level. The present articles are intended to contribute to the study of the pathomechanisms of sarcopenia, in particular the loss of motor neurons and the joint occurrence of sarcopenia and Parkinson's syn-dromes. In a first study, values of the UPDRS-score, which is used to classify the se-verity of Parkinson's symptoms, from a healthy population with increased risk factors for Parkinson's disease, which are hyperechogenicity of the substantia nigra, preva-lence of lifetime depression, hyposmia, REM sleeping behavior disorder and the proba-bility score for prodromal PD were compared with parameters of sarcopenia. It was shown that people with elevated values in the motor part of the UPDRS score are more likely to have early-stage sarcopenia. This result suggests that there are parallels in the development of sarcopenia and Parkinson's disease. In a follow-up study, these results were confirmed and extended to a population that already had a diagnosis from the spectrum of Parkinson's syndromes. In addition to an increased probability for the sim-ultaneous occurrence of sarcopenia with Parkinson's disease, it was also found that especially persons with secondary Parkinson's disease had sarcopenia, which seemed to be caused by the loss of motor neurons. The results of both studies suggest that neu-rogenic causes (loss of motoneurons) at least in a subpopulation, are involved in the development of sarcopenia in people with Parkinson's disease
