1. Αρχική σελίδα
  2. Αναζήτηση

Αυτόματη κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ψηφιακή ακτινολογική απεικόνιση και σύγχρονες τεχνικές μηχανικής μάθησης

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)   

Αποθετήριο :
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής   

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



Αυτόματη κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ψηφιακή ακτινολογική απεικόνιση και σύγχρονες τεχνικές μηχανικής μάθησης
Παπαδόπουλος, Νέστορας
Athanasiadis, Emmanouil
Σχολή Μηχανικών
Τμήμα Μηχανικών Βιοϊατρικής
Kostopoulos, Spiros
Glotsos, Dimitris
Διπλωματική εργασία
2024-12-02
2024-12-03T10:14:24Z
Η πανδημία COVID-19 έχει δημιουργήσει σημαντικές προκλήσεις στον τομέα της υγειονομικής περίθαλψης, ιδίως στην ακριβή διάγνωση και κατηγοριοποίηση της σοβαρότητας της πνευμονίας που προκαλείται από τον ιό. Αυτή η διπλωματική εργασία παρουσιάζει μια αυτοματοποιημένη προσέγγιση για την κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ακτινογραφίες θώρακος και τεχνικές μηχανικής μάθησης. Χρησιμοποιήθηκαν δύο σύνολα δεδομένων: το πρώτο σύνολο βασίστηκε στη μέθοδο κατωφλίωσης του για τη δημιουργία μασκών και το δεύτερο σύνολο περιλάμβανε χειροκίνητη τμηματοποίηση των πνευμόνων. Χρησιμοποιώντας τις δυαδικές μάσκες εξάχθηκαν τα χαρακτηριστικά radiomics. Εφαρμόστηκαν τεχνικές επιλογής και μείωσης χαρακτηριστικών όπως η Ανάλυση Κυρίων Συνιστωσών (PCA), η Επαναλαμβανόμενη Αποβολή Χαρακτηριστικών (RFE) και η ανάλυση συσχέτισης. Υλοποιήθηκαν αρκετοί αλγόριθμοι μηχανικής μάθησης, όπως Υποστηρικτικές Μηχανές Διανυσμάτων (SVM), Τυχαία Δάση (Random Forests), Λογιστική Παλινδρόμηση, Δέντρα Απόφασης (CART),Ταξινομητής Ελάχιστης Απόστασης (MDC), Ταξινομητής Bayes,Ανάλυση Γραμμικού Διαχωρισμού (LDA) και Perceptron. Τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας cross-validation και στατιστική ανάλυση για τον εντοπισμό των πιο σχετικών χαρακτηριστικών και της απόδοσης κάθε ταξινομητή. Τα αποτελέσματα ανέδειξαν συγκεκριμένα χαρακτηριστικά, όπως RunLengthNonUniformity, Eνέργεια, CusterProminence, Entropy τα οποία είναι κρίσιμα για τη διάκριση μεταξύ υγιών ατόμων και ασθενών με COVID-19. Τα ευρήματα υποδεικνύουν ότι τα μοντέλα μπορούν να προσφέρουν πολύτιμες πληροφορίες για τη λήψη κλινικών αποφάσεων σχετικά με την εκτίμηση της σοβαρότητας της COVID-19. Αυτή η εργασία επιδεικνύει το δυναμικό της ενσωμάτωσης της ραδιομικής ανάλυσης και της μηχανικής μάθησης για τη βελτίωση της διαγνωστικής ακρίβειας στην ιατρική απεικόνιση και παρέχει ένα πλαίσιο για μελλοντικές μελέτες στην αυτόματη κατηγοριοποίηση ασθενειών μέσω ψηφιακής ακτινογραφίας.
Ακτινογραφίες θώρακος
Μηχανική μάθηση
Τμηματοποίηση εικόνας
Πνευμονία COVID-19
Radiomics
Ελληνική γλώσσα
Πανεπιστήμιο Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ - Τμήμα Μηχανικών Βιοϊατρικής - Διπλωματικές εργασίες
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ
Διπλωματικές εργασίες
Τμήμα Μηχανικών Βιοϊατρικής



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.