Χρήση γεννητικών ανταγωνιστικών δικτύων ως τεχνική εμπλουτισμού δεδομένων σε ιατρικές εφαρμογές

Κονιδάρης, Φίλιππος; Konidaris, Filippos

dc.contributor.author	Κονιδάρης, Φίλιππος	el
dc.contributor.author	Konidaris, Filippos	en
dc.date.accessioned	2018-09-24T11:15:15Z
dc.date.available	2018-09-24T11:15:15Z
dc.date.issued	2018-09-24
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47662
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15677
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Εμπλουτισμός δεδομένων	el
dc.subject	Γεννητικά ανταγωνιστικά δίκτυα	el
dc.subject	Ανταγωνιστική μάθηση	el
dc.subject	Artificial intelligence	en
dc.subject	Deep learning	en
dc.subject	Data augmentation	en
dc.subject	Generative adversarial networks	en
dc.subject	Adversarial learning	en
dc.title	Χρήση γεννητικών ανταγωνιστικών δικτύων ως τεχνική εμπλουτισμού δεδομένων σε ιατρικές εφαρμογές	el
heal.type	bachelorThesis
heal.classification	Προχωρημένη μηχανική μάθησηση	el
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-24
heal.abstract	Τα τελευταία χρόνια έχει διαπιστωθεί μία ραγδαία ανάπτυξη στις τεχνικές της Όρασης Υπολογιστών (Computer Vision) και ιδιαίτερα σε αυτές που σχετίζονται με τη βαθιά μάθηση (Deep Learning). Οι τεχνικές αυτές όμως απαιτούν τεράστιο πλήθος οπτικών δεδομένων για να εκπαιδευτούν επαρκώς, κάτι που σε πολλά προβλήματα ενδέχεται να μην είναι διαθέσιμο. Για το λόγο αυτό στην πράξη χρησιμοποιούνται τεχνικές εμπλουτισμού δεδομένων (data augmentation), οι οποίες, πραγματοποιώντας απλούς μετασχηματισμούς στο επίπεδο των pixels, παράγουν εικόνες που το δίκτυο εκλαμβάνει ως νέα δεδομένα. Οι δυνατότητες της πρακτικής αυτής όμως είναι περιορισμένες, καθώς δεν μπορούν να αλλάξουν σε ουσιαστικό βαθμό την είσοδο, εξαρτώνται από τη φύση του προβλήματος, αλλά κυρίως επειδή τα δεδομένα λαμβάνονται υπόψη ξεχωριστά, και όχι ως μέρη ενός μεγαλύτερου συνόλου. Στα πλαίσια αυτής της διπλωματικής εργασίας προτείνεται μία τεχνική που επιχειρεί να ξεπεράσει τους προαναφερθέντες περιορισμούς, εμπλουτίζοντας τα δεδομένα με χρήση πιο ισχυρών τεχνικών. Τα Γεννητικά Ανταγωνιστικά Δίκτυα (Generative Adversarial Networks, GANs) είναι μία οικογένεια μοντέλων ικανών να παράγουν ρεαλιστικές, συνθετικές εικόνες. Ένα GAN αποτελείται από δύο δίκτυα, με το ένα να προσπαθεί να παράξει όσο το δυνατόν πιο ρεαλιστικές εικόνες (δημιουργός), και το άλλο να προσπαθεί να ξεχωρίσει όσο το δυνατόν καλύτερα τις τεχνητές από τις αληθινές (διευκρινιστής). Μέσω του συνεχούς ανταγωνισμού μεταξύ τους, τα δίκτυα βελτιώνονται μέχρι να επέλθει η ισορροπία, όπου οι αληθινες και οι τεχνητές εικόνες φαίνονται πανομοιότυπες στον διευκρινιστή. Ο δημιουργός τότε παράγει τις πιο αληθοφανείς εικόνες. Όσον αφορά το πειραματικό κομμάτι της εργασίας, αρχικά λήφθηκαν εικόνες μαγνητικών τομογραφιών υγιών ατόμων και ασθενών που πάσχουν από τη νόσο του Alzheimer. Τα δεδομένα από ένα ποσοστό των ατόμων έμειναν κρυφά κατά τη διάρκεια της εκπαίδευσης, ώστε να μπορεί να εκτιμηθεί όσο το δυνατόν καλύτερα η δυνατότητα των δικτύων που θα δοκιμάζονταν για γενίκευση των γνώσεών τους. Στη συνέχεια, επιλέχθηκε και εκπαιδεύτηκε μία αρχιτεκτονική GAN πάνω στα δεδομένα αυτά, η οποία στη συνέχεια χρησιμοποιήθηκε για την παραγωγή τεχνητών εικόνων. Οι τεχνητές αυτές εικόνες προστέθηκαν στο αρχικό σύνολο εκπαίδευσης και χρησιμοποιήθηκαν για την εκπαίδευση συνελικτικών δικτύων ταξινόμησης. Η επίδοσή τους συγκρίθηκε με την αντίστοιχη των δικτύων εκπαιδευμένων στο αρχικό σύνολο, με και χωρίς καμία εφαρμογή των γνωστών τεχνικών εμπλουτισμού. Παρ’ όλο που στη βιβλιογραφία οι κλασικές τεχνικές εμπλουτισμού έχουν αποδειχθεί ότι στις περισσότερες περιπτώσεις ενισχύουν την απόδοση των μοντέλων, κάτι τέτοιο δεν παρατηρήθηκε στην παρούσα εργασία.Η προσθήκη όμως συνθετικών εικόνων στο σύνολο δεδομένων επέφερε σημαντική βελτίωση στην επίδοσή τους. Τέλος, καλύτερα μοντέλα αποδείχθηκαν αυτά που συν- δύαζαν τον εμπλουτισμό μέσω GAN με τις κλασικές τεχνικές.	el
heal.abstract	Over the past years, there has been a rapid development in the field of Computer Vision, es- pecially through techniques involving Deep Learning. These techniques, however, require large amounts of data to be trained properly, which in practice, are rarely available. For this reason, data augmentation is used extensively to avoid such limitations. The most common form of augmenta - tion involves performing simple, affine transformations on each image. This both increases the size of the training set and theoretically allows the Deep Neural Networks to generalize better. These methods, however, have several drawbacks, such as their inability to drastically change the input without damaging its semantic content, their ad-hoc application depending on the nature of each problem and most importantly their inability to regard the input data as a whole. This diploma thesis proposes a novel technique that attempts to overcome said limitations by augmenting the data using more powerful methods. Generative Adversarial Networks (GANs) are a family of models capable of producing real - istic artificial images. Each GAN is composed of two networks, one attempting to produce artificial images (generator) and the other trying to distinguish the real from the fake ones (discriminator). These two networks compete against each other, through adversarial training, until they reach an equilibrium. At this point the images from the two distributions appear indistinguishable to the dis- criminator, as the generator produces sufficiently realistic images. The experimental part of this thesis was performed on a dataset consisting of MR images from patients suffering from Alzheimer’s Disease and healthy control subjects. A GAN was trained on the above dataset and was used to produce synthetic images from both categories. These images were added to the original data and were subsequently used to train Convolutional Neural Networks for classification. The use of traditional data augmentation methods did not seem to have much of an effect in improving the performance of any model it was tested upon, contradicting most findings in related work. The inclusion, however, of artificial images in the training set, resulted in considerable im- provements. Finally, the best models proved to be the ones that combined the traditional augmenta - tion methods with the synthetic images produced by the GAN.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.
heal.fullTextAvailability	true