mycoreobjectrosdok_disshab_0000001506rosdok_disshab_0000001506rosdokdisshabrosdok_derivate_00000328592023-08-08T10:06:40.161Z2015-12-22T09:28:54.571ZadministratoreditorDpublished1rosdok_derivate_0000032859truetruederivate_types:fulltextVolltextfulltextwf_edit_epub wf_register_epubstate:publishedstate:publishedveröffentlichtpublishedrosdok/id00001685852690762MODS updated during RosDok migration in June 2021DissertationHochschulschrift1081776579MartinDyrba1985-VerfasserInautAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler BilddatenAutomated detection of manifest and prodromal Alzheimer's disease using multicenter and multimodal neuroimaging datade122965922Prof. Dr.StefanTeipelUniversität Rostock, Klinik und Polyklinik für Psychosomatik und Psychotherapeutische MedizinAkademischeR BetreuerIndgs137244754Prof. Dr.ThomasKirsteUniversität Rostock, Fakultät für Informatik und Elektrotechnik, Lehrstuhl Mobile Multimediale InformationssystemeAkademischeR BetreuerIndgsProf. Dr.MartinLotzeUniversität Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Fachbereich Funktionelle BildgebungAkademischeR BetreuerIndgs1029510660Universität RostockUniversitätsmedizinGrad-verleihende Institutiondgg10.18453/rosdok_id00001685http://purl.uni-rostock.de/rosdok/id00001685urn:nbn:de:gbv:28-diss2015-0235-7610 Medizin, GesundheitUniversitätsmedizinfrei zugänglich (Open Access)Lizenz Metadaten: CC0Nutzungsrechte erteiltalle Rechte vorbehaltenUniversität RostockRostock2015monographic20152015Universitätsbibliothek RostockRostock20152015In dieser Arbeit wurde die Eignung multizentrischer Diffusions-Tensor-Bildgebung (DTI), die die Beurteilung der Fasertraktintegrität der weißen Substanz in vivo erlaubt, als diagnostischer Marker für die Alzheimer-Krankheit untersucht. Dazu wurden multivariate maschinelle Lernverfahren verwendet. Im Rahmen dieser Dissertation wurden zwei Ansätze zur Reduktion der Inter-Scanner-Variabilität erarbeitet und deren Einfluss auf die Gruppentrennung mittels DTI und struktureller Magnetresonanztomografiedaten verglichen. Weiterhin wurde die kombinierte Auswertung mehrerer Modalitäten untersucht.support vector machineleichte kognitive StörungDemenzmaschinelle LernverfahrenDiffusion Tensor ImagingMagnetresonanztomografieDie folgenden Publikationen sind Bestandteil dieser Dissertation und in der Druckversion im Anhang abgedruckt. Studie 1: Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde ALW, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2013). Robust Automated Detection of Microstructural White Matter Degeneration in Alzheimer’s Disease Using Machine Learning Classification of Multicenter DTI Data. PLoS ONE 8: e64925. doi: 10.1371/journal.pone.0064925 Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde A, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2012). Combining DTI and MRI for the automated detection of Alzheimer’s disease using a large European multicenter dataset. In: Yap, P.-T., Liu, T., Shen, D., Westin, C.-F., Shen, L. (Eds.), Proceedings of the 3rd Workshop on Multimodal Brain Image Analysis. Springer Berlin/Heidelberg, pp. 18–28. doi: 10.1007/978-3-642-33530-3_2 Studie 2: Dyrba M, Barkhof F, Fellgiebel A, Filippi M, Hausner L, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2015a). Predicting prodromal Alzheimer’s disease in subjects with mild cognitive impairment using machine learning classification of multimodal multicenter diffusion-tensor and magnetic resonance imaging data. Journal of Neuroimaging, (in press). doi: 10.1111/jon.12214 Studie 3: Dyrba M, Grothe M, Kirste T, Teipel SJ (2015b). Multimodal analysis of functional and structural disconnection in Alzheimer’s disease using multiple kernel SVM. Human Brain Mapping 36 (6): 2118–2131. doi: 10.1002/hbm.22759Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00001685doctype:epubdoctype:epubDokumenttypDocument typedoctype:epub.dissertationdoctype:epub.dissertationDissertationdoctoral thesisdiniPublType:doctoralThesis diniPublType2022:PhDThesis XMetaDissPlusThesisLevel:thesis.doctoralinfo:eu-repo/semantics/doctoralThesisdocumentnatureOfContent:ppn_105825778natureOfContent:ppn_105825778HochschulschriftdiniPublType2022:DoctoralThesisdiniPublType2022:DoctoralThesisDissertation oder HabilitationDoctoral thesisDRIVERdiniPublType2022:PhDThesisdiniPublType2022:PhDThesisDissertationPhD thesisKDSF (Pu34)XMetaDissPlusThesisLevel:thesis.doctoralXMetaDissPlusThesisLevel:thesis.doctoralDoktorarbeitdoctoral thesisrfc5646:derfc5646:deDeutschGermangerdeuSDNB:610SDNB:610610 Medizin, Gesundheit610 Medical sciences Medicineinstitution:unirostockinstitution:unirostockUniversität RostockUniversity of RostockUniversität RostockUniversität RostockUni.Rostockhttp://d-nb.info/gnd/38329-6institution:unirostock.umrinstitution:unirostock.umrUniversitätsmedizinUniversity MedicineUniversität Rostock. UniversitätsmedizinUniversitätsmedizinUni.Rostock.Fakultaet.MEDhttp://d-nb.info/gnd/1029510660accesscondition:openaccessaccesscondition:openaccessfrei zugänglich (Open Access)open accesshttp://purl.org/coar/access_right/c_abf2OAfreeinfo:eu-repo/semantics/openAccess[DE-28]Open Access$gControlled Vocabulary for Access Rights$uhttp://purl.org/coar/access_right/c_abf2licenseinfo:metadatalicenseinfo:metadataLizenzen für Metadatenlicenseinfo:metadata.cc0licenseinfo:metadata.cc0Lizenz Metadaten: CC0license metadata: CC0/creativecommons/p/zero/1.0/88x31.pnghttps://creativecommons.org/publicdomain/zero/1.0/licenseinfo:depositlicenseinfo:depositVeröffentlichungsgenehmigungpermission to storelicenseinfo:deposit.rightsgrantedlicenseinfo:deposit.rightsgrantedNutzungsrechte erteiltrights grantedlicenseinfo:worklicenseinfo:workWerkworklicenseinfo:work.rightsreservedlicenseinfo:work.rightsreservedalle Rechte vorbehaltenall rights reserved/creativecommons/r/reserved/0.9/88x31.png[DE-28]Urheberrechtsschutz 1.0$gRights Statements$uhttp://rightsstatements.org/vocab/InC/1.0/http://rightsstatements.org/vocab/InC/1.0/http://rightsstatements.org/vocab/InC/1.0/Automatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler BilddatenAutomated detection of manifest and prodromal Alzheimer's disease using multicenter and multimodal neuroimaging dataAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler Bilddatengnd:1081776579gnd:122965922gnd:137244754gnd:1029510660gnd:1081776579gnd:122965922gnd:137244754gnd:1029510660rosdok_disshab_0000001506-d357908e39gnd:1081776579Martin DyrbaMartin Dyrbarosdok_disshab_0000001506-d357908e62gnd:122965922Prof. Dr. Stefan TeipelProf. Dr. Stefan Teipelrosdok_disshab_0000001506-d357908e77gnd:137244754Prof. Dr. Thomas KirsteProf. Dr. Thomas Kirsterosdok_disshab_0000001506-d357908e93Prof. Dr. Martin LotzeProf. Dr. Martin Lotzerosdok_disshab_0000001506-d357908e106gnd:1029510660Universität Rostock UniversitätsmedizinUniversität Rostock UniversitätsmedizinMartin DyrbaProf. Dr. Stefan TeipelProf. Dr. Thomas KirsteProf. Dr. Martin LotzeUniversität Rostock UniversitätsmedizinMartin DyrbaProf. Dr. Stefan TeipelProf. Dr. Thomas KirsteProf. Dr. Martin LotzeUniversität Rostock UniversitätsmedizinMartin DyrbaRostockUniversität Rostockepub.dissertation10.18453/rosdok_id00001685http://purl.uni-rostock.de/rosdok/id00001685urn:nbn:de:gbv:28-diss2015-0235-7support vector machineleichte kognitive StörungDemenzmaschinelle LernverfahrenDiffusion Tensor ImagingMagnetresonanztomografieIn dieser Arbeit wurde die Eignung multizentrischer Diffusions-Tensor-Bildgebung (DTI), die die Beurteilung der Fasertraktintegrität der weißen Substanz in vivo erlaubt, als diagnostischer Marker für die Alzheimer-Krankheit untersucht. Dazu wurden multivariate maschinelle Lernverfahren verwendet. Im Rahmen dieser Dissertation wurden zwei Ansätze zur Reduktion der Inter-Scanner-Variabilität erarbeitet und deren Einfluss auf die Gruppentrennung mittels DTI und struktureller Magnetresonanztomografiedaten verglichen. Weiterhin wurde die kombinierte Auswertung mehrerer Modalitäten untersucht.20152015Die folgenden Publikationen sind Bestandteil dieser Dissertation und in der Druckversion im Anhang abgedruckt. Studie 1: Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde ALW, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2013). Robust Automated Detection of Microstructural White Matter Degeneration in Alzheimer’s Disease Using Machine Learning Classification of Multicenter DTI Data. PLoS ONE 8: e64925. doi: 10.1371/journal.pone.0064925 Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde A, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2012). Combining DTI and MRI for the automated detection of Alzheimer’s disease using a large European multicenter dataset. In: Yap, P.-T., Liu, T., Shen, D., Westin, C.-F., Shen, L. (Eds.), Proceedings of the 3rd Workshop on Multimodal Brain Image Analysis. Springer Berlin/Heidelberg, pp. 18–28. doi: 10.1007/978-3-642-33530-3_2 Studie 2: Dyrba M, Barkhof F, Fellgiebel A, Filippi M, Hausner L, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2015a). Predicting prodromal Alzheimer’s disease in subjects with mild cognitive impairment using machine learning classification of multimodal multicenter diffusion-tensor and magnetic resonance imaging data. Journal of Neuroimaging, (in press). doi: 10.1111/jon.12214 Studie 3: Dyrba M, Grothe M, Kirste T, Teipel SJ (2015b). Multimodal analysis of functional and structural disconnection in Alzheimer’s disease using multiple kernel SVM. Human Brain Mapping 36 (6): 2118–2131. doi: 10.1002/hbm.22759epub.dissertation1 Dissertation_Dyrba_2015.pdf 1611562 d12bcc8121c04aff8ce490c39570d445 rosdok/id00001685852690762MODS updated during RosDok migration in June 2021DissertationHochschulschrift1081776579MartinDyrba1985-VerfasserInautAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler BilddatenAutomated detection of manifest and prodromal Alzheimer's disease using multicenter and multimodal neuroimaging datade122965922Prof. Dr.StefanTeipelUniversität Rostock, Klinik und Polyklinik für Psychosomatik und Psychotherapeutische MedizinAkademischeR BetreuerIndgs137244754Prof. Dr.ThomasKirsteUniversität Rostock, Fakultät für Informatik und Elektrotechnik, Lehrstuhl Mobile Multimediale InformationssystemeAkademischeR BetreuerIndgsProf. Dr.MartinLotzeUniversität Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Fachbereich Funktionelle BildgebungAkademischeR BetreuerIndgs1029510660Universität RostockUniversitätsmedizinGrad-verleihende Institutiondgg10.18453/rosdok_id00001685http://purl.uni-rostock.de/rosdok/id00001685urn:nbn:de:gbv:28-diss2015-0235-7610 Medizin, GesundheitUniversitätsmedizinfrei zugänglich (Open Access)Lizenz Metadaten: CC0Nutzungsrechte erteiltalle Rechte vorbehaltenUniversität RostockRostock2015monographic20152015Universitätsbibliothek RostockRostock20152015In dieser Arbeit wurde die Eignung multizentrischer Diffusions-Tensor-Bildgebung (DTI), die die Beurteilung der Fasertraktintegrität der weißen Substanz in vivo erlaubt, als diagnostischer Marker für die Alzheimer-Krankheit untersucht. Dazu wurden multivariate maschinelle Lernverfahren verwendet. Im Rahmen dieser Dissertation wurden zwei Ansätze zur Reduktion der Inter-Scanner-Variabilität erarbeitet und deren Einfluss auf die Gruppentrennung mittels DTI und struktureller Magnetresonanztomografiedaten verglichen. Weiterhin wurde die kombinierte Auswertung mehrerer Modalitäten untersucht.support vector machineleichte kognitive StörungDemenzmaschinelle LernverfahrenDiffusion Tensor ImagingMagnetresonanztomografieDie folgenden Publikationen sind Bestandteil dieser Dissertation und in der Druckversion im Anhang abgedruckt. Studie 1: Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde ALW, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2013). Robust Automated Detection of Microstructural White Matter Degeneration in Alzheimer’s Disease Using Machine Learning Classification of Multicenter DTI Data. PLoS ONE 8: e64925. doi: 10.1371/journal.pone.0064925 Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde A, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2012). Combining DTI and MRI for the automated detection of Alzheimer’s disease using a large European multicenter dataset. In: Yap, P.-T., Liu, T., Shen, D., Westin, C.-F., Shen, L. (Eds.), Proceedings of the 3rd Workshop on Multimodal Brain Image Analysis. Springer Berlin/Heidelberg, pp. 18–28. doi: 10.1007/978-3-642-33530-3_2 Studie 2: Dyrba M, Barkhof F, Fellgiebel A, Filippi M, Hausner L, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2015a). Predicting prodromal Alzheimer’s disease in subjects with mild cognitive impairment using machine learning classification of multimodal multicenter diffusion-tensor and magnetic resonance imaging data. Journal of Neuroimaging, (in press). doi: 10.1111/jon.12214 Studie 3: Dyrba M, Grothe M, Kirste T, Teipel SJ (2015b). Multimodal analysis of functional and structural disconnection in Alzheimer’s disease using multiple kernel SVM. Human Brain Mapping 36 (6): 2118–2131. doi: 10.1002/hbm.22759Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00001685 2015-12-22T09:28:54.571Z 2023-08-08T10:06:40.161Z 2023-08-18T10:06:40.165Z editorD {"identifier":"rosdok/id00001685","type":"local_id","additional":"","service":"MCRLocalID","created":"2018-06-30T13:21:19.446Z"} {"identifier":"http://purl.uni-rostock.de/rosdok/id00001685","type":"purl","additional":"","service":"RosDokPURL","created":"2018-06-30T13:21:19.640Z","registered":"2018-06-30T13:21:19.640Z"} {"identifier":"10.18453/rosdok_id00001685","type":"doi","additional":"","service":"RosDokDOI","created":"2018-06-30T13:21:20.959Z","registered":"2018-06-30T13:21:20.959Z"} {"identifier":"urn:nbn:de:gbv:28-diss2015-0235-7","type":"dnbUrn","additional":"","service":"RosDokURN","created":"2018-06-30T13:21:19.453Z","registered":"2016-03-19T03:09:04.370Z"} administratorfulltextfile/rosdok_disshab_0000001506/rosdok_derivate_0000032859/Dissertation_Dyrba_2015.pdfAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler BilddatenAutomated detection of manifest and prodromal Alzheimer's disease using multicenter and multimodal neuroimaging dataAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler Bilddatengnd:1081776579gnd:122965922gnd:137244754gnd:1029510660gnd:1081776579gnd:122965922gnd:137244754gnd:1029510660rosdok_disshab_0000001506-d357908e39gnd:1081776579Martin DyrbaMartin Dyrbarosdok_disshab_0000001506-d357908e62gnd:122965922Prof. Dr. Stefan TeipelProf. Dr. Stefan Teipelrosdok_disshab_0000001506-d357908e77gnd:137244754Prof. Dr. Thomas KirsteProf. Dr. Thomas Kirsterosdok_disshab_0000001506-d357908e93Prof. Dr. Martin LotzeProf. Dr. Martin Lotzerosdok_disshab_0000001506-d357908e106gnd:1029510660Universität Rostock UniversitätsmedizinUniversität Rostock UniversitätsmedizinMartin DyrbaProf. Dr. Stefan TeipelProf. Dr. Thomas KirsteProf. Dr. Martin LotzeUniversität Rostock UniversitätsmedizinMartin DyrbaProf. Dr. Stefan TeipelProf. Dr. Thomas KirsteProf. Dr. Martin LotzeUniversität Rostock UniversitätsmedizinMartin DyrbaRostockUniversität Rostockepub.dissertation10.18453/rosdok_id00001685http://purl.uni-rostock.de/rosdok/id00001685urn:nbn:de:gbv:28-diss2015-0235-7support vector machineleichte kognitive StörungDemenzmaschinelle LernverfahrenDiffusion Tensor ImagingMagnetresonanztomografieIn dieser Arbeit wurde die Eignung multizentrischer Diffusions-Tensor-Bildgebung (DTI), die die Beurteilung der Fasertraktintegrität der weißen Substanz in vivo erlaubt, als diagnostischer Marker für die Alzheimer-Krankheit untersucht. Dazu wurden multivariate maschinelle Lernverfahren verwendet. Im Rahmen dieser Dissertation wurden zwei Ansätze zur Reduktion der Inter-Scanner-Variabilität erarbeitet und deren Einfluss auf die Gruppentrennung mittels DTI und struktureller Magnetresonanztomografiedaten verglichen. Weiterhin wurde die kombinierte Auswertung mehrerer Modalitäten untersucht.20152015Die folgenden Publikationen sind Bestandteil dieser Dissertation und in der Druckversion im Anhang abgedruckt. Studie 1: Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde ALW, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2013). Robust Automated Detection of Microstructural White Matter Degeneration in Alzheimer’s Disease Using Machine Learning Classification of Multicenter DTI Data. PLoS ONE 8: e64925. doi: 10.1371/journal.pone.0064925 Dyrba M, Ewers M, Wegrzyn M, Kilimann I, Plant C, Oswald A, Meindl T, Pievani M, Bokde A, Fellgiebel A, Filippi M, Hampel H, Klöppel S, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2012). Combining DTI and MRI for the automated detection of Alzheimer’s disease using a large European multicenter dataset. In: Yap, P.-T., Liu, T., Shen, D., Westin, C.-F., Shen, L. (Eds.), Proceedings of the 3rd Workshop on Multimodal Brain Image Analysis. Springer Berlin/Heidelberg, pp. 18–28. doi: 10.1007/978-3-642-33530-3_2 Studie 2: Dyrba M, Barkhof F, Fellgiebel A, Filippi M, Hausner L, Hauenstein K, Kirste T, Teipel SJ, the EDSD study group (2015a). Predicting prodromal Alzheimer’s disease in subjects with mild cognitive impairment using machine learning classification of multimodal multicenter diffusion-tensor and magnetic resonance imaging data. Journal of Neuroimaging, (in press). doi: 10.1111/jon.12214 Studie 3: Dyrba M, Grothe M, Kirste T, Teipel SJ (2015b). Multimodal analysis of functional and structural disconnection in Alzheimer’s disease using multiple kernel SVM. Human Brain Mapping 36 (6): 2118–2131. doi: 10.1002/hbm.22759[xslt]Saxonrosdok/id00001685https://purl.uni-rostock.de/rosdok/id0000168585269076210.18453/rosdok_id00001685urn:nbn:de:gbv:28-diss2015-0235-7Martin DyrbaDyrba MartinAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler BilddatenDissertationdoctoral thesisUniversität Rostock, 2015In dieser Arbeit wurde die Eignung multizentrischer Diffusions-Tensor-Bildgebung (DTI), die die Beurteilung der Fasertraktintegrität der weißen Substanz in vivo erlaubt, als diagnostischer Marker für die Alzheimer-Krankheit untersucht. Dazu wurden multivariate maschinelle Lernverfahren verwendet. Im…Martin DyrbaAutomatisierte Erkennung manifester und prodromaler Alzheimer-Krankheit mittels multizentrisch akquirierter, multimodaler BilddatenAutomated detection of manifest and prodromal Alzheimer's disease using multicenter and multimodal neuroimaging dataUniversitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id000016851081776579MartinDyrba1985-VerfasserInaut122965922Prof. Dr.StefanTeipelUniversität Rostock, Klinik und Polyklinik für Psychosomatik und Psychotherapeutische MedizinAkademischeR BetreuerIndgs137244754Prof. Dr.ThomasKirsteUniversität Rostock, Fakultät für Informatik und Elektrotechnik, Lehrstuhl Mobile Multimediale InformationssystemeAkademischeR BetreuerIndgsProf. Dr.MartinLotzeUniversität Greifswald, Institut für Diagnostische Radiologie und Neuroradiologie, Fachbereich Funktionelle BildgebungAkademischeR BetreuerIndgs1029510660Universität RostockUniversitätsmedizinGrad-verleihende Institutiondgg[doi]10.18453/rosdok_id00001685[purl]http://purl.uni-rostock.de/rosdok/id00001685[urn]urn:nbn:de:gbv:28-diss2015-0235-7open_access20152015epoch:21th_centuryrfc5646:dedoctype:epub.dissertationaccesscondition:openaccessSDNB:610institution:unirostock.umrstate:published