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.
(EL)
Brain tumors represent a serious health challenge as they involve the uncontrolled growth of cellular mass in the brain. They can cause severe implications on the function of the nervous system and the patient's health. Early and accurate detection of brain tumors is crucial for the prevention and management of potential consequences. Detection methods include radiological examinations such as magnetic resonance imaging and the use of X-rays, as well as neurological examinations that may involve assessing neurological functions and evaluating symptoms. Diagnosis combined with appropriate therapeutic intervention can help manage brain tumors and improve the quality of life for patients.
Automated detection of brain tumors from magnetic resonance imaging (MRI) images is crucial for improving diagnosis and treatment of patients and can be achieved using advanced machine learning techniques. Machine learning algorithms, such as neural networks, can be trained for this purpose using MRI image data with relevant labels for the presence of brain tumors. This allows for automatic detection and potential classification of tumors with accuracy and speed, helping doctors to more effectively and quickly identify potential brain problems. The use of such advanced machine learning techniques can lead to more accurate diagnoses and improve patient care for those with brain tumors.
Within the scope of this thesis, two methods are presented and compared for both the problem of binary classification of the presence or absence of tumors in brains and for the problem of precise localization of brain tumors. These systems take MRI brain images as input. For the first problem, a performance comparison is made between a conventional convolutional neural network and a pre-trained ResNet50 model leveraging transfer learning and underwent model fine-tuning for problem-solving. The pre-trained classification model based on ResNet50 performed better as it achieved 98.4% accuracy as opposed to CNN which had 95.6% accuracy. More specifically, it successfully classified 1475 out of 1500 images (98.33%) without brain tumor, while 1477 out of 1500 images (98.47%) with brain tumor were correctly predicted. For the second problem, a performance comparison is made between two U-Net architectures, the main difference is the use of residual blocks. The method using the U-Net network and the residual blocks showed an accuracy of 95.15%, surpassing the method using the U-Net which had an accuracy of 94.14%. Using the U-Net network and the residual blocks the resulting error was 0.11, which is better compared to the U-Net method where it had an error equal to 0.35. The results showed that both problems can be effectively solved by the proposed methods, which have very small deviations in their predictions.
Additionally, a UI application was developed where the user can input MRI brain images and automatically receive predictions from the best-pretrained models developed for each respective problem.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
