Schlaefer, AlexanderAlexanderSchlaefer123043522Gessert, Nils ThorbenNils ThorbenGessert2020-12-222020-12-222020-12-18Technische Universität Hamburg (2020)http://hdl.handle.net/11420/8296In 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.enhttp://rightsstatements.org/vocab/InC/1.0/medical imagingDeep learningmachine learningOptical coherence tomographyMagnetic resonance imagingInformatikMedizinDoctoral Thesis10.15480/882.321610.15480/882.3216Grigat, Rolf-RainerRolf-RainerGrigatPhD Thesis