Please use this identifier to cite or link to this item: https://doi.org/10.15480/882.3511
DC FieldValueLanguage
dc.contributor.advisorKnopp, Tobias-
dc.contributor.authorBaltruschat, Ivo-Matteo-
dc.date.accessioned2021-05-12T12:26:39Z-
dc.date.available2021-05-12T12:26:39Z-
dc.date.issued2021-
dc.identifier.citationTechnische Universität Hamburg (2021)de_DE
dc.identifier.urihttp://hdl.handle.net/11420/9470-
dc.description.abstractDiese 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.de
dc.description.abstractThis 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.en
dc.language.isoende_DE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/de_DE
dc.subjectdeep learningde_DE
dc.subjectmedical imagingde_DE
dc.subjectmachine learningde_DE
dc.subjectX-rayde_DE
dc.subjectconvolutional neural networksde_DE
dc.subject.ddc610: Medizinde_DE
dc.subject.ddc620: Ingenieurwissenschaftende_DE
dc.titleDeep learning for automatic lung disease analysis in chest x-raysde_DE
dc.typeThesisde_DE
dcterms.dateAccepted2021-05-05-
dc.identifier.doi10.15480/882.3511-
dc.type.thesisdoctoralThesisde_DE
dc.type.dinidoctoralThesis-
dcterms.DCMITypeText-
tuhh.identifier.urnurn:nbn:de:gbv:830-882.0134314-
tuhh.oai.showtruede_DE
tuhh.abstract.germanDiese 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.de_DE
tuhh.abstract.englishThis 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.de_DE
tuhh.publication.instituteBiomedizinische Bildgebung E-5de_DE
tuhh.identifier.doi10.15480/882.3511-
tuhh.type.opusDissertation-
tuhh.gvk.hasppnfalse-
tuhh.contributor.refereeGrass, Michael-
tuhh.hasurnfalse-
dc.type.driverdoctoralThesis-
thesis.grantor.universityOrInstitutionTechnische Universität Hamburgde_DE
thesis.grantor.placeHamburgde_DE
dc.type.casraiDissertation-
dc.rights.nationallicensefalsede_DE
local.status.inpressfalsede_DE
item.advisorGNDKnopp, Tobias-
item.creatorOrcidBaltruschat, Ivo-Matteo-
item.openairetypeThesis-
item.openairecristypehttp://purl.org/coar/resource_type/c_46ec-
item.fulltextWith Fulltext-
item.mappedtypedoctoralThesis-
item.creatorGNDBaltruschat, Ivo-Matteo-
item.cerifentitytypePublications-
item.grantfulltextopen-
item.languageiso639-1en-
crisitem.author.deptBiomedizinische Bildgebung E-5-
crisitem.author.orcid0000-0002-8748-3820-
crisitem.author.parentorgStudiendekanat Elektrotechnik, Informatik und Mathematik-
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 simple item record

Page view(s)

166
Last Week
1
Last month
21
checked on Sep 27, 2021

Download(s)

246
checked on Sep 27, 2021

Google ScholarTM

Check

Note about this record

Cite this record

Export

This item is licensed under a Creative Commons License Creative Commons