Relaxing Supervision Requirements for Tomographic Data Analysis with Machine Learning

In dieser Doktorarbeit werden die Kraft und das Potenzial fortschrittlicher bildgebender Verfahren, insbesondere der Tomographischen Bildgebung (im Folgenden Tomographie), in einer Ära untersucht, die durch das schnelle Wachstum von Daten und die dringende Notwendigkeit effektiver Analysestrategien gekennzeichnet ist. Diese Arbeit beschäftigt sich mit verschiedenen Modalitäten, wie aber nicht beschränkt auf Parallelstrahl-Röntgen-Computertomographie (CT) und Magnetresonanztomographie (MRT). Die Forschung konzentriert sich auf die Einbeziehung von maschinellen Lernmodellen, insbesondere des tiefen Lernens, um die Analyse von Tomographie-Scans in verschiedenen Bereichen, einschließlich Biologie, Medizin und Materialwissenschaften, zu optimieren. Dies wird erreicht, indem die primären Herausforderungen im Zusammenhang mit der Nutzung der Tomographie, nämlich Bildvorverarbeitung, Datenbeschriftung und Modellschulung, bewältigt werden. Diese Arbeit ist als eine Reihe von Kapiteln organisiert und deckt folglich diese Themen in der Reihenfolge ab, in der die vorgeschlagenen Techniken in einer praktischen Datenanalyse-Pipeline angewendet würden.