Identification of non-enhancing brain tumor regions using an upscaling pre-activation u-net with depth regularization

Item type:	Thesis of the University of Regensburg (PhD)
Open Access Type:	Primary Publication
Date:	22 April 2024
Referee:	Prof. Dr. Elmar Lang
Date of exam:	10 April 2024
Institutions:	Physics > Institute of Experimental and Applied Physics
Keywords:	Automated segmentation; Neural nets; U-Net; Medical imaging; Non-enhancing brain tumor
Dewey Decimal Classification:	500 Science > 530 Physics
Status:	Published
Refereed:	Yes, this version has been refereed
Created at the University of Regensburg:	Yes
Item ID:	58121

Abstract (English)

The challenge of identifying and analyzing non-enhancing tumor regions (NET) presents a critical frontier in radiology. The focus of this work is on the identification of these NET tumor areas, which can be crucial in understanding tumor progression and therapeutic response. This study addresses the detection of structural aspects of NET in MRI records of glioblastoma, a special form of brain ...

Abstract (English)

The challenge of identifying and analyzing non-enhancing tumor regions (NET) presents a critical frontier in radiology. The focus of this work is on the identification of these NET tumor areas, which can be crucial in understanding tumor progression and therapeutic response. This study addresses the detection of structural aspects of NET in MRI records of glioblastoma, a special form of brain cancer, known for its aggressive behavior and challenging treatment. Leveraging an innovative machine learning model, this work aims to enhance the detection and characterization of the NET regions. The approach will work towards improving diagnostic accuracy and can aid in developing more effective treatment strategies. The presented neural net architecture will be based on the classical U-Net, a successful segmentation model in medical domains and beyond. This work will add an upscaling extension in the decoder path which enables the neural net to generate resolution enhanced segmentation masks. The resulting upscaling pre-activation U-Net will further be trained on a subset of the BraTS 2018 dataset after reconstructing ground-truth data for NET tumor regions.

Translation of the abstract (German)

Der Schwerpunkt dieser Arbeit liegt auf der Identifizierung von Non-Enhancing Tumorregionen (NET), die für das Verständnis der Tumorentwicklung und der therapeutischen Planung von entscheidender Bedeutung sein können. Die Arbeit befasst sich mit der Erkennung struktureller Aspekte von NET in MRT-Aufzeichnungen von Glioblastomen, einer besonderen Form von Hirntumoren, die für ihr aggressives ...

Translation of the abstract (German)

Der Schwerpunkt dieser Arbeit liegt auf der Identifizierung von Non-Enhancing Tumorregionen (NET), die für das Verständnis der Tumorentwicklung und der therapeutischen Planung von entscheidender Bedeutung sein können. Die Arbeit befasst sich mit der Erkennung struktureller Aspekte von NET in MRT-Aufzeichnungen von Glioblastomen, einer besonderen Form von Hirntumoren, die für ihr aggressives Verhalten und ihre schwierige Behandlung bekannt ist. Es wird ein innovatives Modell des maschinellen Lernens genutzt, um die Erkennung und Charakterisierung der NET-Regionen zu verbessern. Der Ansatz trägt zur Verbesserung der diagnostischen Genauigkeit bei und kann bei der Entwicklung wirksamerer Behandlungsstrategien helfen. Die vorgestellte neuronale Netzarchitektur basiert auf dem klassischen U-Net, einem erfolgreichen Segmentierungsmodell im medizinischen Bereich. Es wird dem Decoderpfad eine Upscaling-Erweiterung hinzugefügt, die es dem neuronalen Netz ermöglicht, Segmentierungsmasken mit erhöhter Auflösung zu generieren. Das daraus resultierende Upscaling-Pre-Activation-U-Net wird zur Rekonstruktion der NET-Tumorregionen basierend auf einer Teilmenge des BraTS 2018-Datensatzes verwendet.

Details

Preview

Export bibliographical data

Abstract (English)

Abstract (English)

Translation of the abstract (German)

Translation of the abstract (German)

Download Statistics

Downloads

More literature (via CORE)

University Library