Knopp, TobiasTobiasKnopp10121003910000-0002-1589-8517Baltruschat, Ivo-MatteoIvo-MatteoBaltruschat2021-05-122021-05-122021Technische Universität Hamburg (2021)http://hdl.handle.net/11420/9470Diese 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.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.enhttps://creativecommons.org/licenses/by/4.0/deep learningmedical imagingmachine learningX-rayconvolutional neural networksMedizinIngenieurwissenschaftenDoctoral Thesis10.15480/882.351110.15480/882.3511Grass, MichaelMichaelGrassPhD Thesis