Deep Learning for Radiotherapy: Target Volume Segmentation and Dynamical Low-Rank Training

¹
¹ Scientific Computing Center (SCC), Karlsruher Institut für Technologie (KIT)

Volltext

DOI: 10.5445/IR/1000182310

Veröffentlicht am 12.06.2025

Seitenaufrufe: 245
seit 12.06.2025

Downloads: 42
seit 16.06.2025

Zugehörige Institution(en) am KIT	Scientific Computing Center (SCC)
Publikationstyp	Hochschulschrift
Publikationsdatum	12.06.2025
Sprache	Englisch
Identifikator	KITopen-ID: 1000182310
HGF-Programm	46.21.02 (POF IV, LK 01) Cross-Domain ATMLs and Research Groups
Verlag	Karlsruher Institut für Technologie (KIT)
Art der Arbeit	Dissertation
Fakultät	Fakultät für Mathematik (MATH)
Institut	Scientific Computing Center (SCC)
Prüfungsdatum	14.05.2025
Externe Relationen	Siehe auch
Schlagwörter	Dynamical Low Rank Approximation, Dynamical Low Rank Training, Projector Splitting Integrator, Basis-Augmentation, Segmentation, Head and Neck, Clinical Target Volume, Expert Guidelines, Neuro-Symbolic AI, Machine Learning, Artificial Neural Networks, Radiotherapy
Nachgewiesen in	OpenAlex
Relationen in KITopen	Verweist auf Segmentation of 71 Anatomical Structures Necessary for the Evaluation of Guideline-Conforming Clinical Target Volumes in Head and Neck Cancers. ... (2024) Zeitschriftenaufsatz (1000168152) Accuracy of an articulated head-and-neck motion model using deep learning-based instance segmentation of skeletal bones in CT scans for image registration in radiotherapy. Walter, Alexandra; Bauer, Cornelius J.; Yawson, Ama Katseena; Hoegen-Saßmannshausen, Philipp; Adeberg, Sebastian; Debus, Jürgen; Jäkel, Oliver; Frank,... (2025) Zeitschriftenaufsatz (1000178477)
Referent/Betreuer	Frank, Martin Jäkel, Oliver Thäter, Gudrun