Διάγνωση COVID-19 από ακολουθίες αξονικών τομογραφιών με χρήση βαθιών νευρωνικών δικτύων

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



Διάγνωση COVID-19 από ακολουθίες αξονικών τομογραφιών με χρήση βαθιών νευρωνικών δικτύων (EL)

Μπριλλάκης, Βασίλειος (EL)

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

bachelorThesis

2020-12-16T06:27:53Z
2020-11-12


Με την ανακήρυξη της νόσου του COVID-19 ως πανδημία, κρίθηκε αναγκαία η ανάπτυξη μεθόδων που επιτρέπουν την έγκαιρη και αποτελεσματική ανίχνευση των κρουσμάτων. Η συνηθέστερη μέθοδος διάγνωσης είναι το μοριακό τεστ RT-PCR το οποίο έχει υψηλή ακρίβεια, όμως απαιτεί σημαντικό χρόνο για την εξαγωγή αποτελέσματος. H ανάλυση των αξονικών τομογραφιών θεωρείται ένα σημαντικό διαγνωστικό εργαλείο που συμπληρώνει την εξέταση RT-PCR, βελτιώνοντας την ακρίβεια διάγνωσης και βοηθώντας τους ασθενείς να λάβουν γρήγορα την κατάλληλη θεραπεία. Ωστόσο, η αξιολόγηση των αξονικών χρειάζεται πολύτιμο χρόνο από τον εξειδικευμένο ιατρό, δείχνοντας την ανάγκη για μια γρήγορη αυτόματη και αξιόπιστη μέθοδο. Στο πλαίσιο αυτής της διπλωματικής υλοποιήθηκαν συστήματα βαθιάς μάθησης για την έγκυρη και ταχεία ανίχνευση των κρουσμάτων της νόσου από ακολουθίες αξονικών τομογραφιών. Τα συστήματα αυτά εκπαιδεύονται με σειρές αξονικών συνοδευόμενων από το αποτέλεσμα του μοριακού τεστ και είναι ικανά να κατηγοριοποιούν τους ασθενείς COVID-19 με υψηλή ακρίβεια. Η ανάπτυξη αυτών των συστημάτων στηρίχθηκε στην αρχιτεκτονική CNN-RNN σε συνδυασμό με την χρήση τεχνικών και μεθόδων βαθιάς μάθησης. (EL)


Κορονοϊός (EL)
Βαθιά μάθηση (EL)
Αξονική τομογραφία (EL)
Συνελικτικά νευρωνικά δίκτυα (EL)
Αναδρομικά νευρωνικά δίκτυα (EL)

Greek

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