MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016931843
■00520240214100126
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379794415
■035    ▼a(MiAaPQ)AAI30425314
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aMullan,  Sean.
■24510▼aDeep  Learning  and  Explainable  AI  in  Medical  Image  Segmentation▼h[electronic  resource]
■260    ▼a[S.l.]:▼bThe  University  of  Iowa.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(175  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Sonka,  Milan.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Iowa,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMedical  imaging  is  a  critical  part  of  modern  healthcare,  and  the  continued  advancement  of  imaging  techniques  have  enabled  the  analysis  of  an  every  growing  number  of  objects  and  features  within  the  human  body  that  we  were  previously  unable  to  observe.  However,  the  significant  variability  present  in  imaging  protocols  and  the  features  they  capture  make  the  growing  number  of  images  generated  in  the  process  of  daily  patient  care  a  mounting  burden  on  the  limited  number  of  radiological  experts  available  to  process  them.  Deep  learning  techniques  have  emerged  as  powerful  tools  for  the  efficient  and  accurate  automation  of  medical  image  segmentation,  but  the  complexity  of  the  models  required  to  handle  this  difficult  domain  severely  limits  their  transparency  and  therefor  trustworthiness  to  the  end  users.  To  address  these  concerns  and  build  the  trust  necessary  for  clinical  implementation,  numerous  methods  have  been  proposed  to  derived  explanations  for  the  decisions  of  deep  learning  models.  Unfortunately,  these  efforts  have  almost  exclusively  targeted  models  developed  for  classification  tasks  and  their  underlying  assumptions  prevent  them  from  applying  to  segmentation.In  the  first  part  of  this  thesis,  we  develop  high-quality  segmentation  approaches  for  a  diverse  range  of  medical  imaging  targets.  Specifically,  we  train  deep  learning  models  for  the  segmentation  of  thoracic  organs  at  risk  during  radiotherapy,  pulmonary  tumors  associated  with  non-small  cell  lung  cancer,  COVID-19  related  lung  lesions,  and  the  prostate  and  surrounding  organs.  For  each  of  these  tasks,  we  utilize  state-of-the-art  hybrid  transformer  models  paired  with  powerful  self-configuring  preprocessing  schemes  to  achieve  highly  accurate  and  consistent  segmentations  that  closely  align  with  the  independent  standards.  The  second  part  of  this  thesis  focuses  on  producing  and  understanding  visual  explanations  for  these  kinds  of  models.  We  develop  and  validate  our  Kernel-Weighted  Contribution  approach  to  explaining  the  complex  features  driving  the  decisions  made  by  deep  learning  segmentation  models.  We  demonstrate  that  our  approach  offers  accurate  and  comprehensive  explanations  that  enable  greater  understanding  of  these  tools.Building  on  the  successes  of  the  first  two  parts,  the  third  part  of  our  thesis  demonstrates  the  utility  of  these  approaches  in  the  context  of  medical  imaging  analysis.  We  show  that  our  segmentation  models  not  only  enable  current  forms  of  medical  analyses,  such  as  the  extraction  of  radiomics  features  that  can  inform  patient  care  and  disease  prognosis,  but  also  enable  novel  applications,  such  as  evaluating  contour  consistency  across  time  points  in  radiotherapy  planning.  We  also  demonstrate  the  critical  role  of  our  Kernel-Weighted  Contribution  approach  in  validating  our  segmentation  models  by  detecting  and  evaluating  the  hidden  biases  that  would  otherwise  have  gone  undetected  by  conventional  analysis,  ultimately  allowing  us  to  gain  insight  into  how  our  models  would  behave  when  they  are  applied  beyond  the  research  lab  in  which  they  were  developed.By  developing  high-quality  segmentation  approaches  to  tackle  complex  medical  imaging  tasks  and  proposing  a  novel  method  for  the  visual  explanation  of  deep  learning  segmentation  models,  we  have  demonstrated  the  potential  of  deep  learning  to  enable  accurate  and  efficient  medical  image  analyses  while  also  increasing  our  understanding  of  the  processes  used  to  accomplish  those  analyses.  This  kind  of  understanding  represents  an  important  step  towards  opening  the  ``black  box''  that  is  deep  learning  and  building  the  trust  necessary  for  these  powerful  models  to  be  integrated  into  clinical  practice  and  provide  direct  benefits  to  patient  care  and  outcomes.
■590    ▼aSchool  code:  0096.
■650  4▼aMedical  imaging.
■650  4▼aBiomedical  engineering.
■653    ▼aAttribution
■653    ▼aDeep  learning
■653    ▼aExplainable  AI
■653    ▼aExplanation
■653    ▼aSegmentation
■690    ▼a0574
■690    ▼a0800
■690    ▼a0541
■71020▼aThe  University  of  Iowa▼bBiomedical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0096
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931843▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books