Μονάδα:
Κατεύθυνση Βιοπληροφορική-Υπολογιστική ΒιολογίαΒιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2024-04-08
Συγγραφέας:
Τσαγκαλίδου Αθηνά
Στοιχεία επιβλεπόντων καθηγητών:
Μιχαήλ Φιλιππάκης , Καθηγητής, Τμήμα Ψηφιακών Συστημάτων, Πανεπιστήμιο Πειραιώς, (Επιβλέπων),
Ιωάννης Τρουγκάκος Καθηγητής Τμήμα Βιολογίας ΕΚΠΑ,
Βασιλική Οικονομίδου Αναπληρώτρια Καθηγήτρια Τμήμα Βιολογίας ΕΚΠΑ
Πρωτότυπος Τίτλος:
Ανίχνευση και Ταξινόμηση όγκων εγκεφάλου με χρήση Deep Learning
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Ανίχνευση και Ταξινόμηση όγκων εγκεφάλου με χρήση Deep Learning
Περίληψη:
Οι εγκεφαλικοί όγκοι αποτελούν μια σοβαρή υγειονομική πρόκληση καθώς αφορούν την ανεξέλεγκτη αύξηση κυτταρικής μάζας στον εγκέφαλο. Μπορεί να προκαλέσουν σοβαρές επιπτώσεις στη λειτουργία του νευρικού συστήματος και την υγεία του ασθενούς. Η έγκαιρη και σωστή ανίχνευση των εγκεφαλικών όγκων είναι ζωτικής σημασίας για την πρόληψη και την αντιμετώπιση πιθανών επιπτώσεων. Οι μέθοδοι ανίχνευσης περιλαμβάνουν ακτινολογικές εξετάσεις, όπως η μαγνητική τομογραφία και η χρήση ακτίνων X, καθώς και νευρολογικές εξετάσεις που μπορεί να περιλαμβάνουν τον έλεγχο των νευρολογικών λειτουργιών και την αξιολόγηση των συμπτωμάτων. Η διάγνωση σε συνδυασμό με την αντίστοιχη θεραπευτική αντιμετώπιση μπορεί να βοηθήσει στην αντιμετώπιση των εγκεφαλικών όγκων και στη βελτίωση της ποιότητας ζωής των ασθενών.
Η αυτοματοποιημένη διαδικασία ανίχνευσης εγκεφαλικών όγκων από εικόνες μαγνητικής τομογραφίας είναι ζωτικής σημασίας για τη βελτίωση της διάγνωσης και της θεραπείας των ασθενών και μπορεί να επιτευχθεί με χρήση προηγμένων τεχνικών μηχανικής μάθησης. Οι αλγόριθμοι μηχανικής μάθησης, όπως τα νευρωνικά δίκτυα, μπορούν να εκπαιδευτούν για αυτό τον σκοπό με δεδομένα εικόνων MRI που έχουν σχετικές ετικέτες για την παρουσία εγκεφαλικών όγκων. Αυτό επιτρέπει την αυτόματη ανίχνευση και την πιθανή ταξινόμηση των όγκων με ακρίβεια και ταχύτητα, βοηθώντας τους ιατρούς να εντοπίζουν πιθανά προβλήματα στον εγκέφαλο πιο αποτελεσματικά και γρήγορα. Η χρήση τέτοιων προηγμένων τεχνικών μηχανικής μάθησης μπορεί να οδηγήσει σε πιο ακριβείς διαγνώσεις και στη βελτίωση της περίθαλψης των ασθενών με εγκεφαλικούς όγκους.
Στα πλαίσια της παρούσας διπλωματικής εργασίας παρουσιάζονται και συγκρίνονται από δύο μέθοδοι τόσο για το πρόβλημα της δυαδικής ταξινόμησης της ύπαρξης ή μη όγκου σε εγκεφάλους όσο και για το πρόβλημα του ακριβή εντοπισμού θέσης εγκεφαλικών όγκων. Τα συστήματα αυτά δέχονται ως είσοδο εικόνες MRI εγκεφάλων. Για το πρώτο πρόβλημα γίνεται σύγκριση απόδοσης μεταξύ ενός συμβατικού συνελικτικού νευρωνικού δικτύου και ενός προεκπαιδευμένου ResNet50 από το οποίο έγινε μεταφορά μάθησης και ρύθμιση μοντέλου για την επίλυση του προβλήματος. Το προεκπαιδευμένο μοντέλο ταξινόμησης βασισμένο στο ResNet50 είχε καλύτερα αποτελέσματα καθώς πέτυχε ακρίβεια 98.4% σε αντίθεση με το CNN που είχε ακρίβεια 95.6%. Πιο συγκεκριμένα ταξινόμησε επιτυχώς 1475 από τις 1500 εικόνες (98.33%) χωρίς όγκο εγκεφάλου, ενώ 1477 από τις 1500 εικόνες (98.47%) με εγκεφαλικό όγκο προβλέφθηκαν σωστά.Για το δεύτερο πρόβλημα γίνεται σύγκριση απόδοσης μεταξύ δύο αρχιτεκτονικών U-Net των οποίων βασική διαφορά είναι η χρήση υπολειμματικών μπλοκ. Η μέθοδος με την χρήση του δικτύου U-Net και των υπολειμματικών μπλοκ εμφάνισε ακρίβεια 95.15%, ξεπερνώντας την μέθοδο με την χρήση του U-Net που είχε ακρίβεια 94.14%. Με την χρήση του δικτύου U-Net και των υπολειμματικών μπλοκ το σφάλμα που προέκυψε ήταν 0.11, το οποίο είναι καλύτερο συγκριτικά με την μέθοδο U-Net όπου είχε σφάλμα ίσο με 0.35. Τα αποτελέσματα έδειξαν ότι και τα δύο προβλήματα μπορούν να επιλυθούν πολύ αποτελεσματικά από τις προτεινόμενες μεθόδους οι οποίες έχουν πολύ μικρές αποκλίσεις στις προβλέψεις τους.
Επιπλέον αναπτύχθηκε και μια εφαρμογή UI στην οποία ο χρήστης μπορεί να εισάγει εικόνες μαγνητικής τομογραφίας εγκεφάλου και να λαμβάνει αυτόματα τις προβλέψεις των καλύτερων προεκπαιδευμένων μοντέλων που αναπτύχθηκαν για το εκάστοτε πρόβλημα.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λοιπές θεματικές κατηγορίες:
Επιστήμες Υγείας
Λέξεις-κλειδιά:
τεχνητή νοημοσύνη στην ακτινολογία, ογκολογία, καρκίνος εγκεφάλου, όγκοι εγκεφάλου, μηχανική μάθηση, βαθιά μάθηση, νευρωνικά δίκτυα, ResNet50, U-Net
Αρ. σελίδων ευρετηρίου:
3
Αρ. βιβλιογραφικών αναφορών:
45
