Χρήση τεχνικών βαθιάς μάθησης για την κατάτμηση εγκεφαλικών όγκων για τη διάγνωση της νόσου Alzheimer

Κούκος, Αλκιβιάδης-Μάριος; Φίλιππας, Ιωάννης; Koukos, Alkiviadis-Marios; Filippas, Ioannis

dc.contributor.author	Κούκος, Αλκιβιάδης-Μάριος	el
dc.contributor.author	Φίλιππας, Ιωάννης	el
dc.contributor.author	Koukos, Alkiviadis-Marios	en
dc.contributor.author	Filippas, Ioannis	en
dc.date.accessioned	2019-07-10T08:05:08Z
dc.date.available	2019-07-10T08:05:08Z
dc.date.issued	2019-07-10
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49020
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16736
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Artificial intelligence	en
dc.subject	Βαθιά μάθηση	el
dc.subject	Κατάτμηση εγκεφαλικών εικόνων	el
dc.subject	Πλήρως συνελικτικό πυκνό δίκτυο	el
dc.subject	Αλτσχάιμερ	el
dc.subject	Ταξινόμηση	el
dc.subject	Deep learning	en
dc.subject	Brain MRI segmentation	en
dc.subject	FC-DenseNet	en
dc.subject	Training	en
dc.subject	Alzheimer	en
dc.subject	Classify	en
dc.title	Χρήση τεχνικών βαθιάς μάθησης για την κατάτμηση εγκεφαλικών όγκων για τη διάγνωση της νόσου Alzheimer	el
heal.type	bachelorThesis
heal.classification	Προχωρημένη μηχανική μάθηση	el
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-11-13
heal.abstract	Τις τελευταίες δεκαετίες η ερευνητική δραστηριότητα στον τομέα της Ανάλυσης Εικόνας έχει σημειώσει ραγδαία ανάπτυξη μέσα από πληθώρα μελετών και εφαρμογών με βασικό στόχο να υποστηριχθούν και να διευκολυνθούν βασικές λειτουργίες στην καθημερινότητα των ανθρώπων ανά την υφήλιο. Προς επίτευξη του συγκεκριμένου σκοπού, πολλές από αυτές τις εφαρμογές αξιοποιούν τεχνικές από τους τομείς της Τεχνητής Νοημοσύνης και συγκεκριμένα της Μηχανικής Μάθησης και της Βαθιάς Μάθησης. Ειδικότερα στον τομέα της Ιατρικής, οι σύγχρονες επιστημονικές τάσεις διατυπώνουν ότι οι διαδικασίες της διάγνωσης αλλά και της αντιμετώπισης διαφόρων παθήσεων μπορούν πλέον να γίνονται όχι μόνο με στατιστικές μεθόδους, αλλά και με γνώμονα τόσο το ιστορικό του όσο και το περιβάλλον στο οποίο ζει ο ασθενής. Στόχος της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση τεχνικών Μηχανικής Μάθησης για την πρόβλεψη της νόσου Alzheimer, χρησιμοποιώντας τη μαγνητική τομογραφία του εγκεφάλου του εξεταζόμενου. Πρώτο βήμα προς επίτευξη του συγκεκριμένου στόχου αποτέλεσε η κατάτμηση των εικόνων των μαγνητικών τομογραφιών εγκεφάλων. Πιο συγκεκριμένα, για την κατάτμηση μελετήθηκε και υλοποιήθηκε το πλήρως συνελικτικό νευρωνικό δίκτυό FC - DENSENET. Η εκπαίδευση του δικτύου υλοποιήθηκε σε επισημασμένα δεδομένα μαγνητικών τομογραφιών εγκεφάλων που προήλθαν από το διαγωνισμό MICCAI 2012 Multi-Atlas Labelling. Επιχειρήθηκαν τρεις διαφορετικές προσεγγίσεις για την κατάτμηση και πιο συγκεκριμένα, μια απλή εφαρμογή του μοντέλου FC-DenseNet103-Tiramisu, μία που αγνοούσε την κλάση του υποβάθρου και μια που εφάρμοζε βάρη σε κάθε μία από τις κλάσεις ενδιαφέροντος. Η πρώτη μέθοδος απέτυχε να δώσει αξιόπιστα αποτελέσματα καθώς ταξινομούσε όλα τα εικονοστοιχεία στην κλάση του υποβάθρου. Η μέθοδος με τη χρήση βαρών είχε καλύτερη προσαρμογή στα δεδομένα εκπαίδευσης από αυτήν που αγνοούσε την κλάση του υποβάθρου και έτσι επιλέχθηκε ως η κύρια μέθοδος κατάτμησης για το επόμενο στάδιο της διάγνωσης μέσω ταξινόμησης. Στη συνέχεια, επιχειρήθηκε η χρήση των κατατετμημένων από το FC-DenseNet εικόνων μαγνητικής τομογραφίας εγκεφάλου, για το διαχωρισμό ατόμων σε υγιή και πάσχοντα από τη νευροεκφυλιστική νόσο του Alzheimer. Για το σκοπό αυτό αξιοποιήθηκαν δεδομένα από το ADNI, μια βάση δεδομένων με ιατρικά στοιχεία ασθενών και μη της συγκεκριμένης νόσου. Για την ταξινόμηση των ατόμων επιλέχθηκαν προς μελέτη οι περιοχές της αμυγδαλής, του ενδορινικού φλοιού, του ιππόκαμπου και της παραιπποκάμπειας έλικας του εγκεφάλου των ασθενών. Συγκεκριμένα, υπολογίστηκε η αναλογία του μεγέθους (σε εικονοστοιχεία) των περιοχών αυτών προς το μέγεθος του συνολικού εγκεφάλου για κάθε εξεταζόμενο. Για την ταξινόμηση δοκιμάστηκαν δύο μέθοδοι μάθησης για την εξαγωγή αποτελεσμάτων. Η πρώτη μέθοδος βασίστηκε σε διαγράμματα διασποράς των ποσοστών αναλογίας και η δεύτερη υλοποιήθηκε με χρήση ενός ταξινομητή Random Forest, ο οποίος λαμβάνει ως είσοδο τα ποσοστά αναλογίας των παραπάνω περιοχών. Τα αποτελέσματα ανέδειξαν ότι στους ασθενείς με τη νόσο του Alzheimer επηρεάζονται κυρίως τα αριστερά μέρη των περιοχών της αμυγδαλής, του ιππόκαμπου και της παραιπποκάμπειας έλικας. Λαμβάνοντας υπόψη τα παραπάνω, συμπεραίνεται ότι το μοντέλο FC-DenseNet απέδωσε αποτελέσματα ακριβούς κατάτμησης εγκεφαλικών εικόνων και σε συνδυασμό με έναν απλό ταξινομητή μηχανικής μάθησης επιτεύχθηκε ο διαχωρισμός πασχόντων και μη από τη νόσο Alzheimer με ποσοστά ακρίβειας πάνω από 95%. Η επιτυχία της παρούσας μεθοδολογίας δημιουργεί προσδοκίες για ανάπτυξη παρόμοιων εφαρμογών για την υποστήριξη της ιατρικής διάγνωσης και για άλλες νεύρο-εκφυλιστικές νόσους.	el
heal.abstract	The last decades research efforts on the field of Image Analysis have undergone unprecedented growth and development through numerous studies and applications targeting to support and facilitate basic aspects of human every-day life. Towards this goal, most of these applications utilize tools and techniques from the domains of Artificial Intelligence such as Machine Learning and Deep Learning for a variety of fields. Concerning the applications on the Medicine field, current scientific trends suggest that processes of diagnosis and even treatment for various diseases should be achieved not only through statistical methods but also with regard to both patient’s medical history and the environment in which he lives. To this end, this Diploma Thesis presents an application of Machine Learning techniques for the prediction of Alzheimer's disease by using the Magnetic Resonance Imaging (MRI) of the subject's brain. The first step of the methodology was the segmentation of the MRI images. More specifically, the fully convolutional neural network FC - DENSENET was studied and implemented for the segmentation. Network training was implemented on labeled MRI data from the MICCAI 2012 Multi- Atlas Labelling contest. Three different approaches to segmentation were tested, and in particular a simple application of the 103-tiramisu model, one that ignored the class of the background and one that applied weights to each one of the segmentation classes. The first method failed to produce reliable results as it classified all pixels in the background class. The class weights method presented a betterfitting model on the training data than the one ignoring the background class, and thus it was chosen as the basic segmentation method before getting to the next stage of diagnostic classification. Next, the segmented, via the FC – DENSENE, MRI images were used towards the binary classification of patients and non-patients of the Alzheimer's disease. To this end, data from a medical database – ADNI- were used. For training and classification, the brain areas of the amygdala, the entorhinal cortex, the hippocampus, and the parahippocampal gyrus were selected for study. Specifically, the ratio of the size (in pixels) of these regions to the total brain size for each subject was calculated. Two learning methods were tested for classification. The first method was based on scatter plots and the second was implemented using a Random Forest classifier, which was trained using the proportional size ratios mentioned above. The results indicated that the left regions of amygdala, hippocampus and parahippocampal gyrus were mainly degenerated for the patients with Alzheimer's disease. The combined analysis of the results highlighted that the use of the FC-DenseNet produced accurate brain segmentation results and that in combination with a simple machine learning classifier, the binary classification of Alzheimer's and non-Alzheimer's patients was achieved with accuracy rates above 95%. To sum up, the success of the proposed methodology raises expectations for developing similar applications to support medical diagnosis for other neuro-degenerative diseases as well.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Ευφυών Επικοινωνιών και Δικτύων Ευρείας Ζώνης	el
heal.academicPublisherID	ntua
heal.numberOfPages	76 σ.
heal.fullTextAvailability	true