Βαθιά νευρωνικά δίκτυα για την ανάλυση ακτινογραφιών και αξονικών τομογραφιών ασθενών με COVID-19

see the original item page
in the repository's web site and access all digital files if the item*



Βαθιά νευρωνικά δίκτυα για την ανάλυση ακτινογραφιών και αξονικών τομογραφιών ασθενών με COVID-19 (EL)

Μπούας, Νικόλαος (EL)

ntua (EL)
Κόλλιας, Στέφανος (EL)
Σταφυλοπάτης, Ανδρέας-Γεώργιος (EL)
Στάμου, Γιώργος (EL)

bachelorThesis

2020-11-07T06:38:04Z
2020-07-29


Ο ραγδαία αυξανόμενος αριθμός κρουσμάτων COVID-19 και οι επιπτώσεις που έχει το γεγονός αυτό σε κοινωνικό επίπεδο, επισημάνουν την ανάγκη ανάπτυξης μηχανισμών για την γρήγορη και αποτελεσματική ανίχνευση των κρουσμάτων αυτών. Ο παραδοσιακός τρόπος ανίχνευσης είναι συχνά χρονοβόρος και ακριβός. Στο πλαίσιο της διπλωματικής αυτής μελετάμε και αναπτύσσουμε έξυπνα συστήματα για την επιτυχή ανίχνευση κρουσμάτων με τη χρήση ακτινογραφιών ή αξονικών τομογραφιών. Ένα βασικό μειονέκτημα των συστημάτων αυτών είναι ότι συχνά λειτουργούν ως "μαύρο κουτί", δηλαδή δε γνωρίζουμε γιατί λαμβάνουν την απόφαση που έλαβαν. Το πρόβλημα αυτό είναι σημαντικό να αντιμετωπιστεί, ιδιαίτερα όταν έχουμε να κάνουμε με συστήματα ιατρικής υποβοήθησης όπως αυτά που θα αναπτύξουμε. Για να το αντιμετωπίσουμε, εφαρμόσαμε μεθόδους ομαδοποίησης οι οποίες πέρα από την κατηγοριοποίηση των εικόνων, μπορούν εύκολα να παρέχουν πληροφορία που να εξηγεί τους λόγους για τους οποίους το σύστημα πήρε μία συγκεκριμένη απόφαση. Τέλος, αναπτύσσουμε συστήματα ικανά να ταξινομήσουν εικόνες που προέρχονται από σύνολα δεδομένων που περιέχουν ακτινογραφίες αλλά και αξονικές τομογραφίες με κλασσικές μεθόδους μηχανικής μάθησης ή χρησιμοποιώντας ομαδοποίηση. (EL)


Κορονοϊός (EL)
Αξονικές Τομογραφίες (EL)
Συσταδοποίηση (EL)
Συνελικτικά νευρωνικά δίκτυα (EL)
Ακτινογραφίες (EL)

Greek

Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (EL)
Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης (EL)

Default License




*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)