KIT | KIT-Bibliothek | Impressum | Datenschutz

Challenges and Opportunities of End-to-End Learning in Medical Image Classification

Jäger, Paul Ferdinand

Abstract:

Das Paradigma des End-to-End Lernens hat in den letzten Jahren die Bilderkennung revolutioniert, aber die klinische Anwendung hinkt hinterher. Bildbasierte computergestützte Diagnosesysteme basieren immer noch weitgehend auf hochtechnischen und domänen-spezifischen Pipelines, die aus unabhängigen regelbasierten Modellen bestehen, welche die Teilaufgaben der Bildklassifikation wiederspiegeln: Lokalisation von auffälligen Regionen, Merkmalsextraktion und Entscheidungsfindung. Das Versprechen einer überlegenen Entscheidungsfindung beim End-to-End Lernen ergibt sich daraus, dass domänenspezifische Zwangsbedingungen von begrenzter Komplexität entfernt werden und stattdessen alle Systemkomponenten gleichzeitig, direkt anhand der Rohdaten, und im Hinblick auf die letztendliche Aufgabe optimiert werden. ... mehr

Abstract (englisch):

The paradigm of end-to-end learning has revolutionized computer vision in recent years, but clinical application is lagging behind. Image-based computer aided diagnosis systems are still largely based on highly engineered and domain specific pipelines, which consist of independent rule-based models reflecting the subtasks of image classification: Localization of discriminative regions, feature extraction, and decision making. The promise of superior decision making in end-to-end learning derives from removing domain specific prior constraints of limited complexity and instead optimizing all system components simultaneously, directly based on the raw data and with respect to the ultimate task at hand. ... mehr


Volltext §
DOI: 10.5445/IR/1000121150
Veröffentlicht am 10.07.2020
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Anthropomatik und Robotik (IAR)
Publikationstyp Hochschulschrift
Publikationsdatum 10.07.2020
Sprache Englisch
Identifikator KITopen-ID: 1000121150
Verlag Karlsruher Institut für Technologie (KIT)
Umfang xiii, 203 S.
Art der Arbeit Dissertation
Fakultät Fakultät für Informatik (INFORMATIK)
Institut Institut für Anthropomatik und Robotik (IAR)
Prüfungsdatum 25.06.2020
Schlagwörter Medical Image Classification, End-to-End Learning, Deep Learning, Object Detection, Lesion Detection
Referent/Betreuer Stiefelhagen, R.
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page