Κατάτμηση και Kατηγοριοποίηση Eγκεφαλικών Όγκων με χρήση Βαθιάς Μάθησης

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών   

Αποθετήριο :
Πέργαμος   

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



Κατάτμηση και Kατηγοριοποίηση Eγκεφαλικών Όγκων με χρήση Βαθιάς Μάθησης

Μπαρτσώκας Θεόδωρος (EL)
Bartsokas Theodoros (EN)

born_digital_graduate_thesis
Πτυχιακή Εργασία (EL)
Graduate Thesis (EN)

2021


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. (EL)
The purpose of this paper is the development of methods for diagnosing brain tumors using deep learning techniques. First of all, the necessary theoretical background concerning fundamental concepts and architectures of neural networks are presented. Then, various methods for diagnosing brain tumors from related work of the past are investigated. In the proposed approach that is presented afterwards, the advantages of learning transfer are used to create five independent neural network models. In particular, the creation of one of them is based on the Mask R-CNN architecture and is used for brain tumor segmentation. The other four models are used for brain tumor classification and result from the combination of two VGGNet architecture's configurations, VGG-16 and VGG-19, with two learning transfer techniques. These five models form the basis of the two different approaches taken. Ιn the first approach, brain tumors are classified using the original data in the data set, four independent times, once for each classification model. In the second approach, tumors are first segmented and then classified using only the segmented part of the brain tumor. The procedure of the second approach is applied four independent times, once for each possible combination of the segmentation model with the classification models. The two approaches produce a total of eight different results, which elucidate the advantages and disadvantages of each option, as well as the prospect of deep learning becoming a key factor in the diagnosis of brain tumors. (EN)

Τεχνολογία – Πληροφορική

Τεχνολογία – Πληροφορική (EL)
Technology - Computer science (EN)

Ελληνική γλώσσα

Βιβλιοθήκη και Κέντρο Πληροφόρησης » Βιβλιοθήκη Σχολής Θετικών Επιστημών » Πληροφορική
Σχολή Θετικών Επιστημών » Τμήμα Πληροφορικής & Τηλεπικοινωνιών

https://creativecommons.org/licenses/by-nc/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.