Ευφυείς τεχνικές για την ταξινόμηση μαγνητικών τομογραφιών σε καρκινοπαθείς

Ανδρεσάκης, Κυριάκος-Παναγιώτης; Andresakis, Kyriakos-Panagiotis

dc.contributor.author	Ανδρεσάκης, Κυριάκος-Παναγιώτης	el
dc.contributor.author	Andresakis, Kyriakos-Panagiotis	en
dc.date.accessioned	2018-10-05T10:55:06Z
dc.date.available	2018-10-05T10:55:06Z
dc.date.issued	2018-10-05
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47719
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15575
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ταξινόμηση μαγνητικών τομογρααφιών	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	MRI classification	en
dc.subject	Machine learning	en
dc.subject	Convolutional neural networks	en
dc.title	Ευφυείς τεχνικές για την ταξινόμηση μαγνητικών τομογραφιών σε καρκινοπαθείς	el
heal.type	bachelorThesis
heal.generalDescription	Διπλωματική εργασία κατά την οποία συγκρίνονται διαφορετικές τεχνικές προεπεξεργασίας, μοντέλα συνελικτικών νευρωνικών δΙκτύων και αλγόριθμοι μάθησης, με σκοπό την αύξηση της απόδοσης στην κατηγοριοποίηση μαγνητικών τομογραφιών.	el
heal.classification	Προχωρημένη μηχανική μάθηση	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	Το 2007, σύμφωνα με την Αμερικανική Εταιρεία Καρκίνου [1] στην ετήσια έκθεση που παρουσίασε, ανακοινώθηκε ότι κάθε μέρα πέθαιναν από καρκίνο σε όλο τον κόσμο 20.000 άνθρωποι. Σε ένα χρόνο συνολικά παρουσιάζονταν 7,6 εκατομμύρια περίπου θάνατοι τέτοιας αιτίας. Επίσης, κατά το ίδιο έτος, τουλάχιστον 12,3 εκατομμύρια νέα κρούσματα καρκίνου είχαν διαγνωστεί. Η πλειονότητα των νέων κρουσμάτων, 6,7 εκατ. και των θανάτων 4,7 εκατ. έχουν σημειωθεί στις αναπτυσσόμενες χώρες, ενώ 5,4 εκατ. κρούσματα και 2,9 εκατ. θάνατοι έχουν σημειωθεί στις οικονομικά ανεπτυγμένες χώρες. Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας, ο αριθμός των θανάτων από καρκίνο αναμένεται να ξεπεράσει τα 10 εκατομμύρια το 2020 και οι νέες περιπτώσεις της νόσου να αυξηθούν στα 16 εκατομμύρια! Η έγκαιρη ανίχνευση καρκινικών κυττάρων αυξάνει το προσδόκιμο ζωής και τις πιθανότητες επιβίωσης των ασθενών. Σύγχρονοι τρόποι επίτευξης του παραπάνω σκοπού προύποθέτουν συστήματα όπως ηλεκτρονικούς ή μαγνητικούς τομογράφους, με σκοπό τον εντοπισμό τέτοιων κυττάρων σε εικόνες. Συγκεκριμένα, όσον αφορά τον ανθρώπινο εγκέφαλο, οι ειδικοί, αναζητούν πιθανές ανωμαλίες στο μαλακό ιστό, τη φαιά ουσία, τη λευκή ουσία ή το εγκεφαλονωτιαίο υγρό, εξετάζοντας τις παραπάνω εικόνες. Η διαδικασία, παρ’ όλ’ αυτά, η οποία καλείται να φέρει εις πέρας ο ειδήμων, είναι χρονοβόρα, διαφέρει σε μεγάλο βαθμό ανάλογα με τη συγκεκριμένη περίπτωση που έχει να αντιμετωπίσει, και τέλος εξαρτάται από την ατομική του ικανότητα στην επίλυση του προβλήματος. Αντίθετα, η ανάλυση τέτοιων εικόνων με χρήση ηλεκτρονικού υπολογιστή, συντελεί σε ταχύτερη λήψη απόφασης, γενίκευση του προβλήματος, ευκολότερη δημιουργία αρχείων για τους ασθενείς, ασφαλέστερη διάγνωση και βοηθά στη δημιουργία πλάνου θεραπείας. Η επίλυση του ανωτέρου προβλήματος με το δεύτερο τρόπο, δηλαδή με χρήση ηλεκτρονικού υπολογιστή, μπορεί να συμβεί μέσω διαφόρων μοντέλων μηχανικής μάθησης. Δηλαδή, συστημάτων που βασίζονται στη χρήση αλγορίθμων και ανάλυση πειραματικών δεδομένων, με σκοπό την πρόβλεψη και τη λήψη απόφασης, μέσω της αναγνώρισης χαρακτηριστικών. Τα υπολογιστικά μοντέλα με τη μεγαλύτερη ακρίβεια στην αναγνώριση χαρακτηριστικών, ειδικά στην περίπτωση των εικόνων, είναι τα νευρωνικά δίκτυα [2] και συγκεκριμένα μία υποκατηγορία αυτών, η οποία εξειδικεύεται στην επεξεργασία εικόνας, τα συνελικτικά νευρωνικά δίκτυα [3].Σκοπός της παρούσας διπλωματικής εργασίας είναι η σύγκριση ανάμεσα σε αρχιτεκτονικές βαθιών συνελικτικών νευρωνικών δικτύων [4], μεθόδων προεπεξεργασίας δεδομένων [5], αλλά και άλλων παραμέτρων όπως αλγόριθμων μάθησης [6], με σκοπό τη βέλτιστη κατηγοριοποίηση μαγνητικών τομογραφιών σε δύο ομάδες: γλοιώματα χαμηλής κακοήθειας και γλοιώματα υψηλής κακοήθειας. Τα μοντέλα που υλοποιήθηκαν, εκπαιδεύτηκαν, έτσι ώστε να μεγιστοποιηθεί η πιθανότητα επιτυχίας στην κατηγοριοποίηση, δεδομένης μίας εικόνας εισόδου. Πειράματα σε μια μεγάλη βάση δεδομένων για εκπαίδευση, αξιολόγηση και έλεγχο λειτουργίας, όπως είναι η βάση δεδομένων του διαγωνισμού BRATS2015 [7], την οποία και χρησιμοποιήσαμε, αποδεικνύουν την ακρίβεια των παραπάνω μοντέλων, γεγονός που επαληθεύουμε ποσοτικά. Συγκεκριμένα, πέρα από αρκετά μοντέλα τύπου ResNet50 [8] και VGGNet16 [9] εκπαιδεύσαμε και μία πιο ρηχή αρχιτεκτονική που υλοποιήθηκε στα πλαίσια της παρούσας εργασίας, με σκοπό τη σύγκρισή της με τις παραπάνω πιο βαθιές αρχιτεκτονικές. Όσον αφορά τις μεθόδους προεπεξεργασίας πειραματιστήκαμε με δύο διαφορετικές μεθόδους εξομάλυνσης-κανονικοποίησης δεδομένων, αλλά και με τις μεθόδους ανισοτροπικής διάχυσης και διόρθωσης πεδίου πόλωσης. Τέλος, χρησιμοποιήσαμε δύο διαφορετικούς αλγόριθμους μάθησης Adam [10] και SGD [11]. Λέξεις-κλειδιά: ανίχνευση καρκινικών κυττάρων, ανθρώπινος εγκέφαλος, κατηγοριοποίηση, εκπαίδευση, βάση δεδομένων, βαθιά-ρηχή αρχιτεκτονική, μέθοδοι προεπεξεργασίας, BRATS2015, VGGNet16, ResNet50 εξομάλυνση-ατηγοριοποίηση, ανισοτροπική διάχυση, διόρθωση πεδίου πόλωσης, αλγόριθμοι μάθησης, Adam, SGD	el
heal.abstract	In 2007, according to the American Cancer Association [1] in its annual report, it was announced that every day 20,000 people died of cancer. Every year, there were about 7.6 million deaths of this kind. Also, in the same year, at least 12.3 million new cases of cancer were diagnosed. The majority of new cases, 6.7 million and 4.7 million deaths, have occurred in developing countries, with 5.4 million cases and 2.9 million deaths in economically developed countries. According to the World Health Organiztion, the number of cancer deaths is expected to rise over 10 million every year in 2020 and new cases of disease will increase to 16 million! Early detection of cancer cells increases the life expectancy and survival chances of patients. Modern ways of achieving the goal above, include systems such as electronic or magnetic tomographies, in order to identify such cells in images. Specifically, as far as the human brain in concerned , experts are looking for possible abnormalities in soft tissue, gray matter, white matter or cerebrospinal fluid by looking at these specific images. The process, however, which the expert is called upon to carry out, is time-consuming, varies greatly depending on the specific case he has to deal with, and ultimately depends on his/hers individual capacity to solve this specific problem. On the contrary, the analysis of such images using a computer, leads to faster decision making, generalizing the problem, easier archiving for patients, safer diagnosis and helping to create a plan for treatment. Solving the above problem, by utilizing the latter method, can occur through various models of machine learning. Such are systems, based on the use of algorithms and analysis of experimental data, for the purpose of predicting and deciding through attribute recognition. The most accurate computational models in image recognition challenges, especially on the field of image recognition, are neural networks [2] and, in particular, a subclass of those that specialize in image processing, called convolutional neural networks [3]. The purpose of this diploma these is to compare deep convolutional neural network architectures [4], preprocessing techniques [5] and several other parameters like learning algorithms [6], in order to optimally categorize MRIs in two groups: low-grade gliomas and high-grade gliomas. The models that were implemented were trained as to maximize the probability of success in categorization given an input image. Experiments in a large database for training, evaluation and operational control, such as the database of the [7] contest , which we have used, prove the accuracy of the above models. The previous statement was proved through results measured during this diploma thesis. In addition to several ResNet50 [8] and VGGNet16 [9] models, we have also trained a model based on a shallower architecture that has been designed specifically for this paper and in order for it to be compared with the above deeper architectures. As far as preprocessing methods are concerned, we have utilized two different types of data normalization and except from that two other preprocessing methods, anisotropic diffusion and bias field correction. Finally, we used two different learning algorithms named Adam [10] and SGD [11].	en
heal.advisorName	Σταφυλοπάτης, Αντρέας-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	100 σ.
heal.fullTextAvailability	true