eprintid: 32524
rev_number: 14
eprint_status: archive
userid: 7115
dir: disk0/00/03/25/24
datestamp: 2022-12-20 08:02:50
lastmod: 2022-12-21 07:09:59
status_changed: 2022-12-20 08:02:50
type: doctoralThesis
metadata_visibility: show
creators_name: Zimmerer, David
title: Unsupervised Learning for Anomaly Detection in Medical Images
title_de: Unüberwachte Lernmethoden zur Anomalie-Erkennung auf medizinischen Bildaten
subjects: 004
subjects: 610
divisions: 110300
adv_faculty: af-11
abstract: Anomaly detection and localization can learn what data looks like and point out anomalous data samples, which may then be utilized to assist clinicians in identifying anomalies. We employ a Variational Autoencoder (VAE) to learn the distribution of the data and demonstrate several ways for highlighting abnormalities.
We show that using self-supervised learning and hierarchical representations can increase performance, especially in situations with smaller and more difficult-to-detect cases. We further investigate the approaches’ performance and assessment
in two contexts: an international public competitive setting and a real-world use case for discovering incidental findings in a population study. Overall, the results
are encouraging, and the algorithms can detect anomalies and incidental findings, but they fall short in more complex and difficult cases and are not yet dependable enough for real-world usage.
abstract_translated_text: Mit Anomalie-Erkennung und Lokalisierung kann man die Verteilung von Daten
lernen und dann abnormale Daten erkennen und damit Ärzte bei der Identifkation
von Krankheiten und abnormalen Konditionen unterstützen. Wir benutzen einen
Variational Autoencoder (VAE) um diese Verteilung der Daten zu lernen und presentieren verschiedene Methoden wie man mit einem VAE Anomalien aufzeigen
kann. Wir zeigen, dass hierarchiche Representationen oder Representationen die
via self-supervied learning gelernt wurden die Performance verbessern können,
insbesodere für die kleineren und schwierigeren Anomalien. Wir untersuchen
die Analysen, Evaluierung und Benchmarking der Methoden: In einem internationalen und öffentlichen Wettbewerb und einem realitätsnahem Anwendungsfall
für die Identifkation von Krankheiten und abnormalen Konditionen in einer Populations Studie. Insgesamt sind die Ergebnisse gut und die Algorithmen können
Anomalien und abnormale Konditionen identifizieren, aber sind jedoch noch nicht
zuverlässig genung für einen Einsatz in der täglichen Praxis.
abstract_translated_lang: ger
date: 2022
id_scheme: DOI
id_number: 10.11588/heidok.00032524
ppn_swb: 1828114286
own_urn: urn:nbn:de:bsz:16-heidok-325244
date_accepted: 2022-12-14
advisor: HASH(0x556120bec240)
language: eng
bibsort: ZIMMERERDAUNSUPERVIS
full_text_status: public
place_of_pub: Heidelberg
citation:   Zimmerer, David  (2022) Unsupervised Learning for Anomaly Detection in Medical Images.  [Dissertation]     
document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/32524/1/dissertation_david_zimmerer.pdf