1,721,235 research outputs found
Deep learning methods for automated segmentation of medical ultrasound images
No full textFor deep learning-based image segmentation, large training datasets are required to achieve satisfactory results. However, assembling large annotated datasets in the medical field is difficult and sometimes even impossible. Therefore, we have developed and investigated new deep learning methods that aim to improve segmentation performance with smaller ultrasound datasets. These methods include wavelet scattering, tissue shape priors with independent component analysis, topological loss functions, and synthetic data augmentation with a new generative adversarial network. The results show that the various methods offer different advantages depending on tissue type, dataset size, and CNN architecture.Für die Bildsegmentierung mittels Deep Learning sind große Trainingsdatensätze erforderlich, um zufriedenstellende Ergebnisse zu erzielen. Das Zusammenstellen großer annotierter Datensätze im medizinischen Bereich ist jedoch schwierig und manchmal sogar unmöglich. Daher haben wir neue Deep-Learning-Methoden entwickelt und untersucht, die die Segmentierungsleistung bei kleineren Ultraschalldatensätzen verbessern sollen. Diese Methoden umfassen Wavelet-Streuung, Gewebe-Shape-Priors, topologische Verlustfunktionen und synthetische Datenaugmentierung mit einem neuen Generative Adversarial Network. Die Ergebnisse zeigen, dass die verschiedenen Methoden in Bezug auf Gewebetyp, Datensatzgröße und CNN-Architektur unterschiedliche Vorteile bieten.European UnionHamburgische Investitions- und Förderban
Deep learning for paranasal anomaly classification
No full textDie Anfälligkeit der Nasennebenhöhlen für allergische und nicht-allergische Infektionen erschwert die Diagnose, da Symptome von Schleimhautverdickungen bis zu polypoiden Massen variieren. Bisherige manuelle Analysen sind ressourcenintensiv und führen zu Ermüdung der Kliniker. Ein computergestütztes Diagnoseverfahren (CAD) kann diesen Prozess optimieren.
Während Deep Learning große Fortschritte in der medizinischen Bildanalyse gemacht hat, blieb die Erforschung paranasaler Anomalien bislang begrenzt. Diese Arbeit schlägt verschiedene Deep-Learning-Ansätze zur Klassifizierung von Kieferhöhlen-Opazitäten vor, darunter unüberwachtes Lernen, selbstüberwachtes Lernen und hybride Architekturen aus CNNs und Transformern.The susceptibility of the paranasal sinuses to allergic and non-allergic infections complicates diagnosis as symptoms vary from mucosal thickening to polypoid masses. Previous manual analysis is resource intensive and leads to clinician fatigue. Computer-aided diagnosis (CAD) can optimize this process.
While deep learning has made great strides in medical image analysis, the study of paranasal abnormalities has remained limited. This work proposes different deep learning approaches to classify maxillary sinus opacities, including unsupervised learning, self-supervised learning, and hybrid architectures of CNNs and transformers
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Deep generative models for unsupervised anomaly detection in magnetic resonance imaging of the brain
No full textThis thesis explores unsupervised anomaly detection in magnetic resonance imaging of the brain, leveraging generative models to model the distribution of healthy anatomy and identify deviations as anomalies. We examine the integration of additional contextual information into generative models and anomaly scoring methods. Our approaches enhance reconstruction quality and anomaly detection accuracy.Diese Arbeit untersucht die unüberwachte Anomalieerkennung in Magnet-Resonanz-Tomographie-Scans des Gehirns und nutzt generative Modelle, um die Verteilung gesunder Anatomie zu modellieren und Abweichungen als Anomalien zu identifizieren. Wir erforschen die Integration zusätzlicher kontextueller Informationen in generative Modelle und Anomaliebewertungsmethoden. Unsere Ansätze verbessern sowohl die Rekonstruktionsqualität als auch die Genauigkeit der Anomalieerkennung
Spatio-temporal deep learning for medical image sequences
No full textIn dieser Arbeit untersuchen und präsentieren wir räumlich-zeitliche tiefe Lernverfahren für die Analyse medizinischer Bildsequenzen. Wir konzentrieren uns auf zwei Anwendungsszenarien, die Bewegungsanalyse und die dynamische Elastographie, unter Verwendung der optischen Kohärenztomographie und des Ultraschalls als Bildgebungsmodalitäten. Unsere Ergebnisse zeigen, dass Deep Learning für die End-to-End-Verarbeitung von Sequenzen medizinischer Bilddaten, einschließlich Sequenzen volumetrischer Bilder, effektiv genutzt werden kann.In this work, we study and present spatio-temporal deep learning methods for analyzing medical image sequences. We focus on two application scenarios, motion analysis and dynamic elastography, using optical coherence tomography and ultrasound as imaging modalities. Our findings show that deep learning can effectively address end-to-end processing of sequences of medical image data, including sequences of volumetric images
Analysis of ultrasound and optical coherence tomography for markerless volumetric image guidance in robotic radiosurgery
No full textFür eine präzise Strahlenchirurgie müssen Bewegungen während der Behandlung zuverlässig detektiert und kompensiert werden. Diese Arbeit untersucht Ansätze zur markerlosen volumetrischen Bildführung. Der Einfluss robotischer transabdominaler Ultraschallbildgebung wird analysiert und optimiert. Für kraniale Ziele wird ein neuartiger Ansatz mittels optischer Kohärenztomographie beschrieben.An accurate dose delivery in radiosurgery requires to reliably detect and compensate any motion of the target during the treatment. In this thesis, we study approaches for markerless volumetric image guidance. For abdominal targets, we analyze and optimize the impact of robotic transabdominal ultrasound imaging. For cranial targets, we describe a novel setup using optical coherence tomography
Deep learning with multi-dimensional medical image data
No full textIn dieser Arbeit werden tiefe Lernverfahren und ihre Anwendung im Bereich von multidimensionalen medizinischen Bilddaten untersucht. Viele Probleme in der medizinischen Bildanalyse erfordern die Verarbeitung von 3D oder sogar 4D örtlich-zeitlichen Daten. Während die hochdimensionale Verarbeitung das Ausnutzen von Kontext erlaubt, ist das Design von Modellen auf Grund von exponentiell wachsenden Parameterzahlen und Überanpassung schwierig. Daher stellen wir eine Vielzahl an tiefen Lernverfahren für niedrig und hochdimensional Daten vor. Dies umfasst 1D bis 4D faltende neuronale Netze, sowie rekurrente und siamesische Architekturen. Wir zeigen für verschiedenste Anwendungen, dass hochdimensionale Daten durch gut konzipierte Modelle oft effektiv genutzt werden.In this work, we explore deep learning model design and application in the context of multi-dimensional data in medical image analysis. A lot of medical image analysis problems come with 3D or even 4D spatio-temporal data that requires appropriate processing. While higher-dimensional processing allows for exploiting a lot of context, model design becomes very challenging due to exponentially increasing model parameters and risk of overfitting. Therefore, we design a variety of deep learning models for low- and high-dimensional data processing, including 1D up to 4D convolutional neural networks, convolutional-recurrent models, and Siamese architectures. Across a large number of applications, we find that using high-dimensional data is often effective when using well-designed deep learning models
Messungen von retinalen Gewebeveränderungen während der Photokoagulation mittels Optischer Kohärenztomographie (OCT)
No full text- …
