Schlaefer, AlexanderAlexanderSchlaefer123043522Holstein, LennartLennartHolstein2024-01-092024-01-092024Technische Universität Hamburg (2024)https://hdl.handle.net/11420/44941For 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.enhttps://creativecommons.org/licenses/by/4.0/deep learningultrasoundsegmentationIVUSGANneural networkComputer SciencesDoctoral Thesis10.15480/882.902110.15480/882.9021Grigat, Rolf-RainerRolf-RainerGrigatOther