Automated MRI Segmentation and Feature Extraction for Predicting Liver Function Deploying Advanced Deep Learning Models

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Schriftenreihe der Universität Regensburg:	Dissertationsreihe Physik
Datum:	13 November 2024
Begutachter (Erstgutachter):	Prof. Dr. Elmar W. Lang
Tag der Prüfung:	28 Oktober 2024
Institutionen:	Physik > Institut für Experimentelle und Angewandte Physik Biologie und Vorklinische Medizin > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang
Stichwörter / Keywords:	MRT Bildgebung, Leberfunktion, Künstliche Intelligenz, Deep Learning
Dewey-Dezimal-Klassifikation:	500 Naturwissenschaften und Mathematik > 530 Physik
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	59555

Zusammenfassung (Englisch)

In this dissertation, an automated pipeline for the prediction of liver function based on MRI images was developed and evaluated using state-of-the-art deep learning and machine learning approaches. The results show that an accurate automated segmentation of the liver and related structures is possible. The extracted MRI features allow a reliable prediction of liver function scores comparable ...

Zusammenfassung (Englisch)

In this dissertation, an automated pipeline for the prediction of liver function based on MRI images was developed and evaluated using state-of-the-art deep learning and machine learning approaches.
The results show that an accurate automated segmentation of the liver and related structures is possible. The extracted MRI features allow a reliable prediction of liver function scores comparable to conventional clinical methods.
The work demonstrates the potential of AI-assisted analysis of MRI data for non-invasive and accurate assessment of liver function. The developed methods could improve clinical decision making in hepatology and reduce invasive procedures.
Overall, this dissertation makes an important contribution to the development of AI-based image analysis methods in radiology and shows promising possibilities for improved non-invasive diagnostics of liver diseases.

Übersetzung der Zusammenfassung (Deutsch)

In dieser Dissertation wurde eine automatisierte Pipeline zur Vorhersage der Leberfunktion basierend auf MRT-Bildern unter Verwendung modernster Deep Learning- und Machine Learning-Ansätze entwickelt und evaluiert. Die Ergebnisse zeigen, dass damit eine genaue automatisierte Segmentierung der Leber und verwandter Strukturen möglich ist. Die extrahierten MRT-Merkmale erlauben eine zuverlässige ...

Übersetzung der Zusammenfassung (Deutsch)

In dieser Dissertation wurde eine automatisierte Pipeline zur Vorhersage der Leberfunktion basierend auf MRT-Bildern unter Verwendung modernster Deep Learning- und Machine Learning-Ansätze entwickelt und evaluiert.
Die Ergebnisse zeigen, dass damit eine genaue automatisierte Segmentierung der Leber und verwandter Strukturen möglich ist. Die extrahierten MRT-Merkmale erlauben eine zuverlässige Vorhersage der Leberfunktions-Scores, die mit herkömmlichen klinischen Methoden vergleichbar ist.
Die Arbeit demonstriert das Potenzial KI-gestützter Analyse von MRT-Daten für eine nicht-invasive und genaue Beurteilung der Leberfunktion. Die entwickelten Methoden könnten die klinische Entscheidungsfindung in der Hepatologie verbessern und invasive Verfahren reduzieren.
Insgesamt leistet diese Dissertation einen wichtigen Beitrag zur Entwicklung KI-basierter Bildanalysemethoden in der Radiologie und zeigt vielversprechende Möglichkeiten für eine verbesserte nicht-invasive Diagnostik von Lebererkrankungen auf.

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Englisch)

Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Deutsch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek