Schlaefer, AlexanderAlexanderSchlaefer1230435220000-0001-9201-8854Behrendt, Finn TobiasFinn TobiasBehrendt2026-01-122026-01-122026Technische Universität Hamburg (2025)https://hdl.handle.net/11420/60688This thesis explores unsupervised anomaly detection in magnetic resonance imaging of the brain, leveraging generative models to model the distribution of healthy anatomy and identify deviations as anomalies. We examine the integration of additional contextual information into generative models and anomaly scoring methods. Our approaches enhance reconstruction quality and anomaly detection accuracy.Diese Arbeit untersucht die unüberwachte Anomalieerkennung in Magnet-Resonanz-Tomographie-Scans des Gehirns und nutzt generative Modelle, um die Verteilung gesunder Anatomie zu modellieren und Abweichungen als Anomalien zu identifizieren. Wir erforschen die Integration zusätzlicher kontextueller Informationen in generative Modelle und Anomaliebewertungsmethoden. Unsere Ansätze verbessern sowohl die Rekonstruktionsqualität als auch die Genauigkeit der Anomalieerkennung.enhttps://creativecommons.org/licenses/by/4.0/Unsupervised Anomaly DetectionDeep Generative ModelsBrain MRIDiffusion ModelsDeep LearningTechnology::616: Diseases::616.0: Pathology, Deseaeses, Treatment::616.07: PathologyComputer Science, Information and General Works::006: Special computer methods::006.3: Artificial Intelligence::006.31: Machine LearningDoctoral Thesishttps://doi.org/10.15480/882.1642110.15480/882.16421Heinrich, Mattias PaulMattias PaulHeinrichOther