Deep learning for automatic lung disease analysis in chest x-rays

Bibliographische Detailangaben

Titel
Deep learning for automatic lung disease analysis in chest x-rays
verantwortlich
Baltruschat, Ivo M. (VerfasserIn); Knopp, Tobias (AkademischeR BetreuerIn); Grass, Michael (AkademischeR BetreuerIn); Technische Universität Hamburg (Grad-verleihende Institution); Institute for Biomedical Imaging (Sonstige)
Hochschulschriftenvermerk
Dissertation, Technische Universität Hamburg, 2021
veröffentlicht
Hamburg: , 2021
Erscheinungsjahr
2021
Erscheint auch als
Baltruschat, Ivo M., Deep learning for automatic lung disease analysis in chest x-rays, Hamburg, 2021, 1 Online-Ressource (xi, 148 Seiten)
Medientyp
Buch Hochschulschrift
Datenquelle
K10plus Verbundkatalog
Tags
Tag hinzufügen
Zusammenfassung
Diese 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.
Sprache
Englisch
Schlagworte
BK-Notation
54.74 Maschinelles Sehen
DDC-Notation
610: Medizin ; 620: Ingenieurwissenschaften ; 616.075 ; 610