HEAL DSpace

Aνάπτυξη Υπολογιστικών Συστημάτων Υποστήριξης Ιατρικών Αποφάσεων για τη Διαχείριση του Σακχαρώδους Διαβήτη

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Δαλακλείδη, Καλλιόπη el
dc.date.accessioned 2018-01-23T11:10:45Z
dc.date.available 2018-01-23T11:10:45Z
dc.date.issued 2018-01-23
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/46267
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.2485
dc.rights Default License
dc.subject Σακχαρώδης Διαβήτης, Νευρωνικά Δίκτυα, Σύνολα Ταξινομητών, Αναγνώριση Εικόνων Φαγητού, Μηχανές Διανυσμάτων Υποστήριξης, el
dc.subject Diabetes Mellitus, Neural Networks, Ensembles of Classifiers, Food Recognition System, Support Vector Machines en
dc.title Aνάπτυξη Υπολογιστικών Συστημάτων Υποστήριξης Ιατρικών Αποφάσεων για τη Διαχείριση του Σακχαρώδους Διαβήτη el
dc.contributor.department Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών el
heal.type doctoralThesis
heal.classification Βιοϊατρική Τεχνολογία el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2017-07-26
heal.abstract Στην παρούσα διατριβή εξετάζεται η ανάπτυξη υπολογιστικών συστημάτων υποστήριξης ιατρικών αποφάσεων για την πρόληψη, διάγνωση και θεραπεία του Σακχαρώδους Διαβήτη (ΣΔ). Στο πρώτο μέρος της διατριβής εξετάζεται η χρήση των συνόλων ταξινομητών, και ιδιαίτερα των συνόλων νευρωνικών δικτύων πρόσθιας τροφοδότησης, για την πρόβλεψη της εμφάνισης του ΣΔ σε γυναίκες της ινδιάνικης φυλής Πίμα και για την πρόβλεψη της εμφάνισης καρδιαγγειακών επιπλοκών σε βάθος πενταετίας σε ασθενείς με ΣΔ Τύπου 2. Οι ταξινομητές που εξετάζονται βασίζονται σε σύνολα νευρωνικών δικτύων εκπαιδευμένα με τη μέθοδο bagging, σύνολα νευρωνικών δικτύων πρόσθιας τροφοδότησης διαφορετικού αριθμού κρυμμένων νευρώνων και επιπέδων, ταξινομητές δυαδικής πανινδρόμησης, παραλλαγές Μπεϋζιανών δικτύων, και παραλλαγές των δένδρων απόφασης. Αποδεικνύεται ότι τα σύνολα νευρωνικών δικτύων που έχουν εκπαιδευτεί με τη μέθοδο bagging και τα σύνολα νευρωνικών δικτύων πρόσθιας τροφοδότησης επιτυγχάνουν τα καλύτερα αποτελέσματα ως προς την ακρίβεια ταξινόμησης και το εμβαδόν κάτω από την καμπύλη Receiver Operating Characteristic (ROC), καθώς και τα καλύτερα αποτελέσματα ως προς τη συμφωνία των εκτιμώμενων πιθανοτήτων εμφάνισης του ΣΔ ή των επιπλοκών του με τις παρατηρούμενες αντίστοιχες πιθανότητες. Στο δεύτερο μέρος της διατριβής παρουσιάζεται η ανάπτυξη συστήματος τεχνητής νοημοσύνης για τον προσδιορισμό παραγόντων που αλληλεπιδρούν και επηρεάζουν τον κίνδυνο ανάπτυξης καρδιαγγειακών νοσημάτων σε ασθενείς με ΣΔ Τύπου 2. Η μεθοδολογία που αναπτύσσεται βασίζεται στην προσέγγιση Περιτυλίγματος (Wrapper) για την επιλογή των πιο σημαντικών χαρακτηριστικών που επηρεάζουν την εμφάνιση καρδιαγγειακού νοσήματος σε ασθενείς με ΣΔ Τύπου 2, και υλοποιείται με ένα Γενετικό Αλγόριθμο με συνάρτηση καταλληλότητας που βασίζεται στην ευαισθησία και την ακρίβεια της ταξινόμησης ενός ταξινομητή Κ-Κοντινότερων Γειτόνων με Διπλά Βάρη. Τα σημαντικότερα χαρακτηριστικά που επιλέχθηκαν περιλαμβάνουν δημογραφικά δεδομένα του ασθενούς, δεδομένα σχετικά με την ύπαρξη άλλων μακροπρόθεσμων επιπλοκών και δεδομένα σχετικά με την αντιδιαβητική αγωγή του ασθενούς. Στο τρίτο μέρος της διατριβής περιγράφεται η ανάπτυξη ενός υποσυστήματος εξαγωγής χαρακτηριστικών και ταξινόμησης εικόνων τροφής για την υποβοήθηση ατόμων με ΣΔ στον υπολογισμό της ποσότητας των υδατανθράκων στο γεύμα τους. Χρησιμοποιούνται φωτογραφίες γευμάτων από κινητό τηλέφωνο, οι οποίες στη συνέχεια υποβάλλονται σε επεξεργασία για την εξαγωγή πληροφορίας σχετικής με την περιεκτικότητα του γεύματος σε υδατάνθρακες. Για την ταξινόμηση των εικόνων τροφής είναι απαραίτητη η εξαγωγή κατάλληλων χαρακτηριστικών, όπως χαρακτηριστικών που μπορούν να εκφράσουν τα χωρικά πρότυπα της έντασης, και χαρακτηριστικών σχετικών με το χρώμα και την υφή των τροφών. Για την ταξινόμηση των εικόνων τροφής ελέγχθηκε και αξιολογήθηκε η χρήση ταξινομητών που ακολουθούν την προσέγγιση του ταξινομητή Κ-Κοντινότερων Γειτόνων και ταξινομητών πολλαπλών κλάσεων που βασίζονται σε Μηχανές Διανυσμάτων Υποστήριξης. Αποδείχθηκε ότι τα χαρακτηριστικά χρώματος συμβάλλουν περισσότερο στη βελτίωση των αποτελεσμάτων της ταξινόμησης, ενώ, ο τροποποιημένος ταξινομητής Όλοι-Και-Ένας με Μηχανές Διανυσμάτων Υποστήριξης επιτυγχάνει τα καλύτερα αποτελέσματα ως προς την ακρίβεια ταξινόμησης. el
heal.sponsor Υποτροφία ΙΚΥ-SIEMENS για διδακτορικές σπουδές el
heal.advisorName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Σταφυλοπάτης, Ανδρέας el
heal.committeeMemberName Κουτσούρης, Δημήτρης el
heal.committeeMemberName Στάμου, Γιώργος el
heal.committeeMemberName Ματσόπουλος, Γιώργος el
heal.committeeMemberName Τσανάκας, Παναγιώτης el
heal.committeeMemberName Λυμπερόπουλος, Δημήτρης el
heal.academicPublisher Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών el
heal.academicPublisherID ntua
heal.numberOfPages 195
heal.fullTextAvailability true
heal.fullTextAvailability true


Αρχεία σε αυτό το τεκμήριο

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής