Το Αστροκύτωμα αποτελεί το πιο διαδεδομένο γλοίωμα εγκεφάλου, αντιπροσωπεύοντας περισσότερο από το 60% των συνολικών περιπτώσεων γλοιωμάτων. Οι κατηγορίες αστροκυτωμάτων Grade II και Grade ΙΙΙ, σύμφωνα με την ταξινόμηση του ΠΟΥ, διαφέρουν δραματικά ως προς την πρόγνωση και το πλάνο θεραπείας, καθιστώντας κρίσιμο τον ακριβή προσδιορισμό της κατηγορίας που εντάσσεται ο ασθενής. Στόχο της παρούσας εργασίας αποτελεί η ανάπτυξη ενός Συστήματος Υποστήριξης Απόφασης (ΣΥΑ) που θα αξιοποιεί τεχνικές εποπτευόμενης μηχανικής μάθησης και μία υβριδική προσέγγιση ημι-εποπτευόμενης και αντιθετικής μάθησης για την ταξινόμηση των δύο κατηγοριών αστροκυτωμάτων. Το σύστημα εκπαιδεύτηκε σε ένα σύνολο δεδομένων που περιείχε 310 προ-εγχειρητικές εγκάρσιες εικόνες Μαγνητικού Συντονισμού (MRI), με ακολουθία σάρωσης T1-weighted και χρήση Γαδολινίου ως παράγοντα ενίσχυσης αντίθεσης.
Για την εκπαίδευση του ΣΥΑ με τεχνικές μηχανικής μάθησης, πραγματοποιήθηκε η εξαγωγή 98 ακτινωμικών χαρακτηριστικών έπειτα από χειροκίνητη τμηματοποίηση των εικόνων. Ακολούθησε η εφαρμογή τριών τεχνικών επιλογής χαρακτηριστικών, καθώς και η ταξινόμηση των δεδομένων με τη χρήση συνδυασμών οκτώ ταξινομητών και τεσσάρων μεθόδων αξιολόγησης, εξετάζοντας όλους τους δυνατούς συνδυασμούς χαρακτηριστικών ανά δύο έως πέντε. Από τα αποτελέσματα της εξαντλητικής αναζήτησης προέκυψε βέλτιστη ακρίβεια ταξινόμησης 98,39% για τους συνδυασμούς τεσσάρων και πέντε χαρακτηριστικών, στο υποσύνολο που προέκυψε από την RFE-Cross Validation, με χρήση του ταξινομητή Perceptron και της μεθόδου αξιολόγησης Leave One Out.
Στην επόμενη φάση για την εκπαίδευση του ΣΥΑ με βαθιά μάθηση, δημιουργήθηκε ένα Συνελικτικό Νευρωνικό Δίκτυο (CNN), ενώ μέρος των δεδομένων θεωρήθηκε ως μη επισημασμένο. Αρχικά πραγματοποιήθηκε η προσθήκη επαυξήσεων στις εικόνες, και ακολούθησε η βασική επιβλεπόμενη εκπαίδευση του δικτύου (baseline training). Συνδυάζοντας την ημι-εποπτευόμενη και αντιθετική μάθηση, επιτεύχθηκε προ-εκπαίδευση του δικτύου αξιοποιώντας τις μη-επισημασμένες εικόνες. Έπειτα από την προ-εκπαίδευση πραγματοποιήθηκε νέα επιβλεπόμενη εκπαίδευση (fine-tuning). Τα αποτελέσματα έδειξαν σημαντική βελτίωση στην απόδοση του συστήματος, με τη μέση μέγιστη ακρίβεια να παρουσιάζει αύξηση κατά 15%, καθώς και την ικανότητά του δικτύου να ταξινομεί αποτελεσματικά νέες περιπτώσεις δεδομένων.
.jpg){kind=logo}
University of West Attica
