Please use this identifier to cite or link to this item: https://doi.org/10.15480/882.3511
Title: Deep learning for automatic lung disease analysis in chest x-rays
Language: English
Authors: Baltruschat, Ivo-Matteo  
Keywords: deep learning;medical imaging;machine learning;X-ray;convolutional neural networks
Issue Date: 2021
Examination Date: 5-May-2021
Abstract (german): 
Diese Arbeit befasst sich mit der automatischen Analyse von Thorax-Röntgenbildern mithilfe von Deep Learning, einer sich schnell entwickelnden Methode des maschinellen Lernens. Nach einer detaillierten Evaluierung von CNN-Architekturen auf dem ChestX-ray14 -Datensatz wird gezeigt, wie Modelle angepasst werden können, um Nicht-Bild-Merkmale einzubeziehen und ihre Leistung zu verbessern. Um das Erscheinungsbild von CXRs zu vereinfachen und CNNs dabei zu helfen, mit hochdimensionalen und begrenzten Daten umzugehen, sowie um ihre Leistung zu verbessern, wurde eine Reihe von fortschrittlichen Vorverarbeitungsmethoden eingesetzt. Schließlich wird durch Simulationen, die auf der Warteschlangentheorie und Markov-Prozessen basieren, die signifikante Verbesserung durch intelligente Arbeitslistensortierung aufgezeigt.
Abstract (english): 
This work addresses the automatic analysis of chest radiographs using Deep Learning, a rapidly evolving machine learning method. After a detailed evaluation of state-of-the-art CNN architectures on the ChestX-ray14 dataset, it is shown how models can be adapted to incorporate non-image features and improve their performance. Further, to simplify the appearance of CXRs and help CNNs deal with high-dimensional and limited data, as well as to improve their performance, a number of advanced pre-processing methods have been employed. Lastly, through simulations based on queuing theory and Markov processes, the significant clinical impact of smart worklist ordering is shown.
URI: http://hdl.handle.net/11420/9470
DOI: 10.15480/882.3511
Institute: Biomedizinische Bildgebung E-5 
Document Type: Thesis
Thesis Type: Doctoral Thesis
Advisor: Knopp, Tobias 
Referee: Grass, Michael 
License: CC BY 4.0 (Attribution) CC BY 4.0 (Attribution)
Appears in Collections:Publications with fulltext

Files in This Item:
File Description SizeFormat
PhD_Thesis_IBa_TORE.pdfPhD Thesis7,67 MBAdobe PDFView/Open
Thumbnail
Show full item record

Page view(s)

134
Last Week
3
Last month
22
checked on Aug 5, 2021

Download(s)

121
checked on Aug 5, 2021

Google ScholarTM

Check

Note about this record

Cite this record

Export

This item is licensed under a Creative Commons License Creative Commons