Ανάλυση ιατρικών εικόνων με τεχνικές μηχανικής μάθησης για τη διάγνωση ελονοσίας

Το τεκμήριο παρέχεται από τον φορέα :
Χαροκόπειο Πανεπιστήμιο   

Αποθετήριο :
Βιβλιοθήκη και Κέντρο Πληροφόρησης ΕΣΤΙΑ   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Ανάλυση ιατρικών εικόνων με τεχνικές μηχανικής μάθησης για τη διάγνωση ελονοσίας

Γαργουλάκης, Ευάγγελος, Μιχαήλ

graduate_thesis
Πτυχιακή Εργασία (EL)
Graduate Thesis (EN)

2021-03-24


Η ελονοσία είναι μία μολυσματική ασθένεια η οποία αποτελεί τεράστιο πρόβλημα για την παγκόσμια υγεία με περίπου 200 εκατομμύρια περιπτώσεις παγκοσμίως και περισσότερους από 400.000 θανάτους ετησίως. H έγκαιρη διάγνωση της ελονοσίας είναι πολύ σημαντική. Οι δύο πιο διαδεδομένοι μέθοδοι που χρησιμοποιούνται για τη διάγνωση της ελονοσίας είναι η μικροσκοπική εξέταση και η διάγνωση αντιγόνου. Με τη βοήθεια της ιατρικής απεικόνισης, η οποία είναι μία σχετικά πρόσφατη ιατρική ειδικότητα στην οποία μελετάται η διάγνωση εικόνων που παράγονται με διάφορες μεθόδους και η εξαγωγή διαγνωστικών συμπερασμάτων, η διάγνωση της ελονοσίας μπορεί να γίνει χρησιμοποιώντας αλγορίθμους βαθιάς εκμάθησης για την ανάλυση ιατρικών απεικονίσεων. Σκοπός της εργασίας είναι η αξιολόγηση ενός μοντέλου βαθιάς εκμάθησης που έχει ως στόχο την ανάλυση ιατρικών απεικονίσεων για τη διάγνωση ελονοσίας. Πιο συγκεκριμένα, αξιολογούμε την απόδοση ενός υπάρχοντος μοντέλου συνελικτικού νευρωνικού δικτύου, του ResNet50, κατά το οποίο γίνεται ταξινόμηση σε ένα κλινικό σύνολο δεδομένων μεγάλης κλίμακας με απεικονίσεις μολυσμένων και μη μολυσμένων κυττάρων με στόχο την ακριβή παροχή προβλέψεων για τη διάγνωση ελονοσίας. Το σύνολο δεδομένων αποτελείται από 27.560 απεικονίσεις και χωρίζονται σε δύο ξεχωριστές κατηγορίες, οι οποίες είναι απεικονίσεις μολυσμένων ασθενών (Parasitized) και απεικονίσεις υγιών ανθρώπων (Uninfected). Ο αριθμός των απεικονίσεων κατανέμεται εξίσου με 13.780 απεικονίσεις ανά κατηγορία. Η διαδικασία του πειράματος επαναλήφθηκε δέκα φορές και τα αποτελέσματα δείχνουν πως επιτυγχάνεται ακρίβεια ταξινόμησης 97.07% με τυπική απόκλιση 0.0036.

Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών

βαθιά εκμάθηση
Ελονοσία
ιατρική απεικόνιση
Ιατρική - πληροφορική
Συνελικτικά νευρωνικά δίκτυα

Τμήμα Πληροφορικής και Τηλεματικής

Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.