Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή μοντέλων βαθιάς μάθησης για την ανίχνευση καρκίνου σε εικόνες αξονικής τομογραφίας, εστιάζοντας σε δύο εξέχουσες αρχιτεκτονικές νευρωνικών δικτύων: VGG και EfficientNetB3. Η μελέτη αποσκοπεί στην αξιολόγηση της απόδοσης αυτών των μοντέλων υπό διάφορες συνθήκες, συμπεριλαμβανομένης της εισαγωγής θορύβου και της χρήσης τεχνικών αποθορυβοποίησης. Το σύνολο δεδομένων που χρησιμοποιήθηκε περιλαμβάνει 15.000 εικόνες αξονικής τομογραφίας που κατηγοριοποιούνται σε τρεις κατηγορίες: καλοήθης ιστός, αδενοκαρκίνωμα και πλακώδες καρκίνωμα. Για την αξιολόγηση των μοντέλων χρησιμοποιήθηκαν βασικές μετρικές επιδόσεων, όπως η ακρίβεια, η ανάκληση, η τομή πάνω από την ένωση (IoU) και η απώλεια κατηγορικής διασταυρούμενης εντροπίας.
Η έρευνα έδειξε ότι τόσο το μοντέλο VGG όσο και το μοντέλο EfficientNetB3 είναι αποτελεσματικά στην ταξινόμηση εικόνων καρκίνου του πνεύμονα, αν και η απόδοσή τους ποικίλλει ανάλογα με την παρουσία θορύβου και τις τεχνικές φιλτραρίσματος που εφαρμόζονται. Το EfficientNetB3 υπερείχε σταθερά έναντι του VGG όσον αφορά την ακρίβεια
Ο γκαουσιανός θόρυβος αποδείχθηκε πιο επιβλαβής στην απόδοση του μοντέλου από τον κοκκώδη. Το φίλτρο κινητού μέσου όρου αποδείχθηκε πιο αποτελεσματικό στη μείωση του γκαουσιανού θορύβου από το μέσο φίλτρο, ενώ το φίλτρο διαμέσου ήταν αποτελεσματικότερο στον κοκκώδη θόρυβο. Τα ευρήματα αυτά υποδηλώνουν ότι η απόδοση των μοντέλων αυξάνεται όταν βρίσκονται σε συνδυασμό με κατάλληλες μεθόδους χειρισμού του θορύβου. Αυτή η διπλωματική εργασία αποτελεί μια πολλά υποσχόμενη προσέγγιση για τη βελτίωση της ακρίβειας της ταξινόμησης εικόνων καρκίνου του πνεύμονα.
.jpg){kind=logo}
University of West Attica
