Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2021-10-19
Συγγραφέας:
Μπαρτσώκας Θεόδωρος
Στοιχεία επιβλεπόντων καθηγητών:
Παναγιώτης Σταματόπουλος, Επίκουρος Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Πρωτότυπος Τίτλος:
Κατάτμηση και Kατηγοριοποίηση Eγκεφαλικών Όγκων με χρήση Βαθιάς Μάθησης
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Κατάτμηση και Kατηγοριοποίηση Eγκεφαλικών Όγκων με χρήση Βαθιάς Μάθησης
Περίληψη:
Σκοπός αυτής της εργασίας είναι η ανάπτυξη μεθόδων για τη διάγνωση εγκεφαλικών όγκων χρησιμοποιώντας τεχνικές βαθιάς μάθησης. Αρχικά, παρατίθεται το απαραίτητο θεωρητικό υπόβαθρο που αφορά θεμελιώδεις έννοιες και αρχιτεκτονικές των νευρωνικών δικτύων. Κατόπιν, ερευνώνται ποικίλες μέθοδοι διάγνωσης εγκεφαλικών όγκων από συναφείς εργασίες του παρελθόντος. Στην προτεινόμενη προσέγγιση που παρουσιάζεται μετέπειτα, χρησιμοποιούνται τα πλεονεκτήματα της μεταφοράς μάθησης για τη δημιουργία πέντε ανεξάρτητων μοντέλων νευρωνικών δικτύων. Ειδικότερα, η δημιουργία ενός εξ αυτών βασίζεται στην αρχιτεκτονική Mask R-CNN και χρησιμοποιείται για την κατάτμηση των εγκεφαλικών όγκων. Τα υπόλοιπα τέσσερα μοντέλα χρησιμοποιούνται για την κατηγοριοποίηση των εγκεφαλικών όγκων και προκύπτουν από τον συνδυασμό των δύο παραμετροποιήσεων VGG-16 και VGG-19 της αρχιτεκτονικής VGGNet, με δύο τεχνικές μεταφοράς μάθησης. Αυτά τα πέντε μοντέλα αποτελούν τη βάση για τις δύο διαφορετικών προσεγγίσεις που ακολουθούνται. Στην πρώτη προσέγγιση, οι εγκεφαλικοί όγκοι κατηγοριοποιούνται χρησιμοποιώντας τις αρχικές εικόνες του σετ δεδομένων, τέσσερις ανεξάρτητες φορές, μία φορά για κάθε μοντέλο κατηγοριοποίησης. Στην δεύτερη προσέγγιση, πρώτα εκτελείται κατάτμηση των όγκων και στη συνέχεια εκτελείται κατηγοριοποίηση χρησιμοποιώντας μόνο το κατατμημένο μέρος του εγκεφαλικού όγκου. Η διαδικασία της δεύτερης προσέγγισης εφαρμόζεται τέσσερις ανεξάρτητες φορές, μία φορά για κάθε πιθανό συνδυασμό του μοντέλου κατάτμησης με τα μοντέλα κατηγοριοποίησης. Οι δύο προσεγγίσεις παράγουν συνολικά οκτώ διαφορετικά αποτελέσματα, τα οποία καθιστούν ξεκάθαρα τα πλεονεκτήματα και μειονεκτήματα κάθε επιλογής, καθώς και την προοπτική που έχει η βαθιά μάθηση να αποτελέσει καθοριστικό παράγοντα στη διάγνωση εγκεφαλικών όγκων.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Βαθιά Μάθηση, Συνελικτικά Νευρωνικά Δίκτυα, Κατάτμηση, Κατηγοριοποίηση, Διάγνωση Εγκεφαλικού Όγκου
Αρ. σελίδων ευρετηρίου:
5
Αρ. βιβλιογραφικών αναφορών:
39
