Refine
Year of publication
Institute
- Fachbereich Wirtschaftswissenschaften (935)
- Fachbereich Maschinenbau und Mechatronik (595)
- Fachbereich Bauingenieurwesen (554)
- Fachbereich Energietechnik (524)
- Fachbereich Gestaltung (494)
- Fachbereich Elektrotechnik und Informationstechnik (464)
- Fachbereich Medizintechnik und Technomathematik (373)
- Fachbereich Chemie und Biotechnologie (362)
- Fachbereich Luft- und Raumfahrttechnik (300)
- Solar-Institut Jülich (175)
Language
- German (5140) (remove)
Document Type
- Article (2359)
- Book (938)
- Conference Proceeding (477)
- Part of a Book (370)
- Bachelor Thesis (327)
- Patent (152)
- Report (92)
- Administrative publication (76)
- Part of a Periodical (63)
- Other (62)
Keywords
- Amtliche Mitteilung (71)
- Bachelor (33)
- Aachen University of Applied Sciences (31)
- Master (31)
- Prüfungsordnung (31)
- Lesbare Fassung (28)
- Bauingenieurwesen (23)
- Fachhochschule Aachen (23)
- Illustration (21)
- Studien- und Prüfungsordnung (21)
Zugriffsart
- weltweit (685)
- campus (636)
- bezahl (239)
- fachbereichsweit (FB4) (38)
Die vorliegende Arbeit zeichnet sich dadurch aus, dass registrierte unsegmentierte Volumina aus multimodalen Bilddatensätzen (z.B. MRT, PET) gleichzeitig in einer 3D-Rekonstruktion visualisiert werden und in Echtzeit manipuliert werden können. Ermöglicht wird die Echtzeitfähigkeit durch die Programmierung der Algorithmen zur direkten Volumenvisualisierung auf der Grafikkarte mittels der neuen CUDA-Technologie. Die Zuordnung der Farbeigenschaften wird über 1D-Transferfunktionen für jedes Volumen getrennt gesteuert. So können durch die interaktive Veränderung der 1D-Transferfunktion Detailinformationen aus den zwei Bilddatensätzen getrennt kontrolliert werden und die Vorteile der verschiedenen Bildmodalitäten in einer Visualisierung genutzt werden. Mittels dieses interaktiven Frameworks können neue Erkenntnisse insbesondere über neurodegenerativen Erkrankungen gewonnen werden.
Nahezu jede:r zweite Deutsche ist chronisch krank – Tendenz steigend. Damit gehören chronische Krankheiten laut RKI zu den häufigsten und bedeutsamsten Gesundheitsproblemen weltweit. Für Betroffene bedeutet eine chronische Erkrankung je nach Schweregrad eine Einschränkung im Alltag sowie verringerte Lebensqualität. Die Health App »nomi« greift die Herausforderungen dieser Menschen auf und revolutioniert die Beobachtung ihrer Symptome und Faktoren. Das schnelle, flexible Tracking wird von Wearables ermöglicht. Durch den Vergleich von Faktoren werden Zusammenhänge abgebildet und das eigene Verständnis der Erkrankung gefördert. Darüber hinaus können diese Daten in Form von Berichten für Ärzt:innen freigegeben werden und bieten somit eine authentische Einsicht in den Krankheitsverlauf. Individuelle Routinen und Erinnerungen fördern das Selbstmanagement. Somit steigert „nomi“ langfristig die Lebensqualität Betroffener – als zuverlässiger Begleiter.
Für die Verarbeitung von natürlicher Sprache ist ein wichtiger Zwischenschritt das Parsing, bei dem für Sätze der natürlichen Sprache Ableitungsbäume bestimmt werden. Dieses Verfahren ist vergleichbar zum Parsen formaler Sprachen, wie z. B. das Parsen eines Quelltextes. Die Parsing-Methoden der formalen Sprachen, z. B. Bottom-up-Parser, können nicht auf das Parsen der natürlichen Sprache übertragen werden, da keine Formalisierung der natürlichen Sprachen existiert [3, 12, 23, 30].
In den ersten Programmen, die natürliche Sprache verarbeiten [32, 41], wurde versucht die natürliche Sprache mit festen Regelmengen zu verarbeiten. Dieser Ansatz stieß jedoch schnell an seine Grenzen, da die Regelmenge nicht vollständig sowie nicht minimal ist und wegen der benötigten Menge an Regeln schwer zu verwalten ist. Die Korpuslinguistik [22] bot die Möglichkeit, die Regelmenge durch Supervised-Machine-Learning-Verfahren [2] abzulösen.
Teil der Korpuslinguistik ist es, große Textkorpora zu erstellen und diese mit sprachlichen Strukturen zu annotieren. Zu diesen Strukturen gehören sowohl die Wortarten als auch die Ableitungsbäume der Sätze. Vorteil dieser Methodik ist es, dass repräsentative Daten zur Verfügung stehen. Diese Daten werden genutzt, um mit Supervised-Machine-Learning-Verfahren die Gesetzmäßigkeiten der natürliche Sprachen zu erlernen.
Das Maximum-Entropie-Verfahren ist ein Supervised-Machine-Learning-Verfahren, das genutzt wird, um natürliche Sprache zu erlernen. Ratnaparkhi [25] nutzt Maximum-Entropie, um Ableitungsbäume für Sätze der natürlichen Sprache zu erlernen. Dieses Verfahren macht es möglich, die natürliche Sprache (abgebildet als Σ∗) trotz einer fehlenden formalen Grammatik zu parsen.