Hintergrund:

Die Klassifizierung von Hirntumoren beruht heute darauf, dass Biopsien gemacht werden, um die Zellart des Tumors direkt im Labor untersuchen zu können. Diese Biopsien gehen immer mit einem Risiko für den Patienten einher. Zum Beispiel kann es leicht zu Entzündungen kommen.

Bei der Diagnose werden außerdem standardmäßig MRT Aufnahmen gemacht. In ihrer Rohform sind die Daten dieser Aufnahmen komplex-wertig. Das bedeutet, das neben der Amplitude des Signals, welche zum bekannten Grauton-Bild verarbeitet wird, auch Phaseninformationen zur Verfügung stehen. Im k-Radiomics Projekt wird untersucht, ob man aus den kompletten komplex-wertigen Rohdaten der MRT Aufnahme zusätzliche Informationen bekommen kann, welche zur Klassifizierung der Tumorsorte benutzt werden können, um den Patienten die Biopsie zu ersparen.

Ziel der Arbeit:

Um den Klassifizierungsalgorithmus für die Tumorart zu trainieren, werden viele Daten benötigt. Da nicht genügend echte MRT Rohdatensätze zur Verfügung stehen, müssen Trainingsdaten selbst erzeugt werden, was im Rahmen einer Promotion bearbeitet wird. Um herauszufinden, wie viele Datensätze für ein gutes Training nötig sind, wird in dieser Arbeit die Einfluss der Größe des Trainingsdatensatzes auf die Leistungsfähighkeit des Algorithmus überprüft werden.

Voraussetzungen:

• Interesse an maschinellem Lernen, Monte Carlo Simulation und Statistik
• Grundkenntnisse in Programmierung und Datenverarbeitung mit Python

Back