Ανίχνευση εγκεφαλικών όγκων με χρήση τεχνικών βαθιάς μάθησης

Τζώρτζη, Μαρία-Ιωάννα; Tzortzi, Maria-Ioanna

dc.contributor.author	Τζώρτζη, Μαρία-Ιωάννα	el
dc.contributor.author	Tzortzi, Maria-Ioanna	en
dc.date.accessioned	2018-10-11T09:03:25Z
dc.date.available	2018-10-11T09:03:25Z
dc.date.issued	2018-10-11
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47775
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15856
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	en
dc.subject	Κατάτμηση εγκεφαλικού όγκου	en
dc.subject	UNet	en
dc.subject	FCN-DenseNet	en
dc.subject	Μετρικές	el
dc.subject	Artifcial intelligence	en
dc.subject	Deep learning	en
dc.subject	Brain tumor segmentation	en
dc.subject	Metrics	en
dc.title	Ανίχνευση εγκεφαλικών όγκων με χρήση τεχνικών βαθιάς μάθησης	el
heal.type	bachelorThesis
heal.classification	Βαθιά μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-09-12
heal.abstract	Τα τελευταία χρόνια έχει διαπιστωθεί μία ραγδαία ανάπτυξη στις τεχνικές της Όρασης Υπολογιστών και ιδιαίτερα σε αυτές που σχετίζονται με τη Βαθιά Μάθηση. Ένα πολύ ενδιαφέρον πεδίο εφαρμογής είναι η Κατάτμηση Εικόνας. Κάποιες από τις πρακτικές εφαρμογές της κατάτμησης εικόνας είναι η Ιατρική Απεικόνιση συμπεριλαμβανομένων των εικόνων που έχουν παραχθεί από μαγνητική τομογραφία. Τα τελευταία χρόνια έχει διαπιστωθεί mία ραγδαία ανάπτυξη στις τεχνικές της ΄Ορασης Υπολογιστών (Computer Vision) και ιδιαίτερα σε αυτές που σχετίζονται mε τη Βαθιά Μάθηση (Depp Learning). ΄Ενα πολύ ενδιαφέρον πεδίο εφαρμογής των τεχνικών Βαθιάς Μάθησης είναι η κατάτμηση Εικόνας (Image Segmentation). Κάποιες από τις πρακτικές εφαρμογές της κατάτμησης εικόνας είναι η Ιατρική Απεικόνιση, συμπεριλαμβανομένων των εικόνων που έχουν παραχθεί από μαγνητική τομογραφία. Ο σκοπός αυτής της διπλωματικής εργασίας είναι η μελέτη εφαρμογών κατάτμησης εγκεφαλικών όγκων από μαγνητικό τομογράφο. Μία από τις κύριες προκλήσεις που αντιμετωπίστηκαν ήταν η εξεύρεση αξιόπιστης βάσης δεδομένων που να ήταν πλήρως ετικετοποιημένη. Οι ιατρικές εικόνες είναι δύσκολο να βρεθούν λόγω προβλημάτων ιδιωτικότητας. Οι εικόνες που χρησιμοποιήθηκαν προέρχονται από τη βάση δεδομένων του BRATS2017 - Multimodal Brain Tumor Segmentation Challenge 2017. Για τη μελέτη αυτής της βάσης δεδομένων χρησιμοποιήθηκαν νευρωνικά δίκτυα. Συγκεκριμένα χρησιμοποιήθηκε η δημοφιλής αρχιτεκτονική UNet που χρησιμοποιείται ευρέως και επιτυγχάνει εξαιρετική απόδοση για την κατάτμηση ιατρικών εικόνων. Για τους σκοπούς της διπλωματικής έγινε μια τροποποίηση της αρχιτεκτονικής ώστε να μην χρειάζεται ένα συγκεκριμένο μέγεθος εισόδου για να ταιριάζει στο μοντέλο, αλλά να μπορεί να παίρνει σαν είσοδο ένα αυθαίρετο μέγεθος. Επιπλέον χρησιμοποιήθηκε η αρχιτεκτονική Fully Convolutional DenseNet, η οποία είναι ένας συνδυασμός της αρχιτεκτονικής FCN και της DenseNet. Με αυτό τον τρόπο υπάρχει η δυνατότητα επεξεργασίας εικόνων αυθαίρετου μεγέθους, μεγαλύτερη αποτελεσματικότητα των παραμέτρων καθώς επίσης όλα τα επίπεδα μπορούν να έχουν εύκολη πρόσβαση στα προηγούμενα επίπεδα, καθιστώντας εύκολη την επαναχρησιμοποίηση της πληροφορίας. Για την αξιολόγηση των μοντέλων αυτών χρησιμοποιήθηκαν ορισμένες μετρικές. Συγκρίνοντας όλα τα μοντέλα για κάθε μετρική που χρησιμοποιήθηκε παρατηρείται ότι τα καλύτερα μοντέλα ήταν αυτά που είχαν εκπαιδευθεί αγνοώντας την τελευταία ετικέτα. Για τα καλύτερα αυτά μοντέλα πιο αξιόπιστες μετρικές για το σκοπό της διπλωματικής αποδείχθηκαν οι μετρικές accuracy ignoring last label και jaccard.	el
heal.abstract	Over the past years, there has been a rapid development in the eld of Computer Vision, especially through techniques involving Deep Learning. A very interesting eld of application of the Techniques of Deep Learning is the image segmentation. Some of the practical applications of image segmentation are Medical Imaging, including images produced by magnetic resonance imaging. The aim of this diploma thesis is the study of magnetic tumor tomography segmentation applications. One of the main challenges faced was nding a reliable, fully-labeled database. Medical images are di cult to nd because of privacy problems. The images used are derived from the database of BRATS2017-Multimodal Brain Tumor Segmentation Challenge 2017. Neural Networks were used to study this database. Speci cally, the popular UNet architecture, which is widely used and achieves excellent performance for the segmentation of medical images. For the purpose of this diploma thesis, a modi cation of the architecture was made, so that it was necessary for a particular input size to t the model, but to be able to take an arbitrary size. In addition, the Fully Convolutiona DenseNet architecture was used, which is a combination of the FCN and DenseNet architectures. In this way, it is possible to process images of arbitrary size, greater e ciency of the parameters and also having the ability of all levels easily access the previous levels, making it easy to reuse the ιnformation. Some metrics were used to evaluate these models. By comparing all models for each metric used, it is observed that the best models were those that were trained ignoring the last label. For these best models more reliable metrics for the purpose of the diploma thesis were the accuracy ignoring last label and jaccard.	el
heal.advisorName	Σταφυλοπάτης, Αντρέας-Γεώργιος	el
heal.committeeMemberName	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	84 σ.
heal.fullTextAvailability	true