Anzeige
Erschienen in:
2020 | OriginalPaper | Buchkapitel
Abstract: Deep Probabilistic Modeling of Glioma Growth
verfasst von : Jens Petersen, Paul F. Jäger, Fabian Isensee, Simon A. A. Kohl, Ulf Neuberger, Wolfgang Wick, Jürgen Debus, Sabine Heiland, Martin Bendszus, Philipp Kickingereder, Klaus H. Maier-Hein
Erschienen in: Bildverarbeitung für die Medizin 2020
Verlag: Springer Fachmedien Wiesbaden
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by
Existing approaches to modeling the dynamics of brain tumor growth, specifically glioma, employ biologically inspired models of cell diffusion, using image data to estimate the associated parameters. In this work, we propose to learn growth dynamics directly from annotated MR image data, without specifying an explicit model, leveraging recent developments in deep generative models. We further assume that imaging is ambiguous with respect to the underlying disease, which is reflcted in our approach in that it doesn’t predict a single growth estimate but instead estimates a distribution of plausible changes for a given tumor.