Χρήση τεχνικών βαθιάς μάθησης για την αναγνώριση της
νόσου Alzheimer από τροπικότητες δομικής μαγνητικής
τομογραφίας

Παππάς, Ιωάννης Νικόλαος; Pappas, Ioannis Nikolaos

dc.contributor.author	Παππάς, Ιωάννης Νικόλαος	el
dc.contributor.author	Pappas, Ioannis Nikolaos	en
dc.date.accessioned	2020-05-11T20:44:45Z
dc.date.available	2020-05-11T20:44:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50483
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18181
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Βαθιά μάθηση	el
dc.subject	Νόσος Αλτσχάιμερ	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Μεταφερόμενη μάθηση	el
dc.subject	Deep Learning	en
dc.subject	Alzheimer´s disease	en
dc.subject	Convolutional neural networks	en
dc.subject	Supervised learning	en
dc.subject	Transfer learning	en
dc.title	Χρήση τεχνικών βαθιάς μάθησης για την αναγνώριση της νόσου Alzheimer από τροπικότητες δομικής μαγνητικής τομογραφίας	el
heal.type	bachelorThesis
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-07
heal.abstract	Στην παρούσα διπλωματική εργασία εξετάζεται το πρόβλημα της αναγνώρισης της νόσου Alzheimer με χρήση τεχνικών βαθιάς μηχανικής μάθησης. Ειδικότερα, γίνεται προσπάθεια να απαντηθεί το ερευ- νητικό ερώτημα του εντοπισμού της ασθένειας αποκλειστικά και μόνο από την απεικόνιση αυτής σε εικόνες δομικής μαγνητικής τομογραφίας. Σκοπός μας είναι να δομήσουμε μια αυτοματοποιημένη διαδικασία σύμφωνα με την οποία θα κατηγοριοποιούμε γηραιούς ενήλικες σε δύο σύνολα υγιών ή ασθενών ατόμων. Πιο συγκεκριμένα, θεμελιώνουμε ένα πρόβλημα επιβλεπόμενης μάθησης ενός συνελικτικού νευρωνικού δικτύου της αρ- χιτεκτονικής Resnet34, που λαμβάνει ως είσοδο μια εικόνα δομικής μαγνητικής τομογραφίας τύπου Τ1 ενός γηραιού ενήλικα και αποφαίνεται στο κατά πόσο αυτή αντιστοιχεί σε ασθενή ή υγιή οργα- νισμό. Η εκπαίδευση του δικτύου πραγματοποιείται πάνω σε εικόνες της βάσης δεδομένων OASIS Brains, ενός εγχειρήματος που αποσκοπεί στην συγκέντρωση και το διαμοιρασμό νευροαπεικονιστι- κών δεδομένων με στόχο την προαγωγή της έρευνας σχετικά με την εξέλιξη της νόσου Alzheimer. Προκειμένου να διευρύνουμε την προβλεπτική ικανότητα του μοντέλου μας χρησιμοποιούμε την τεχνική της μεταφερόμενης μάθησης. Η κεντρική ιδέα της εν λόγω τεχνικής είναι η εκμετάλλευση ήδη υπάρχουσας γνώσης σε μοντέλα που έχουν εκπαιδευτεί εκ των προτέρων σε σύνολα δεδομένων μεγάλης κλίμακας. Στα πλαίσια της εργασίας χρησιμοποιούμε τη βάση δεδομένων του ImageNet, η οποία περιέχει πάνω από 14.000.000 δεδομένα εικόνων χωρισμένες σε περισσότερες από 20.000 κα- τηγορίες αντικειμένων και χρησιμοποιείται ευρέως στο ερευνητικό πεδίο της όρασης υπολογιστών. Άλλωστε, ένας από τους στόχους της εργασίας είναι να μελετήσει κατά πόσο η τεχνική της μετα- φερόμενης μάθησης με αφετηρία το ImageNet προσφέρει ουσιαστική βελτίωση της προβλεπτικής ικανότητας του μοντέλου μας σε ένα πρόβλημα ιατρικής φύσης. Το εν λόγω ερώτημα έχει ενδιαφέ- ρον καθώς το πρόβλημα που αντιμετωπίζουμε χρησιμοποιεί δεδομένα μαγνητικής τομογραφίας ενώ οι εικόνες του ImageNet δεν περιλαμβάνουν ιατρικές απεικονίσεις αλλά αναπαραστάσεις φυσικών αντικειμένων. Τέλος αξίζει να σημειωθεί ότι η υλοποίηση της πειραματικής μελέτη μας βασίστηκε στην προ- γραμματιστική βιβλιοθήκη fastai, η οποία δομείται στα πλαίσια της γλώσσας προγραμματισμού Python και του υπολογιστικού εργαλείου PyTorch και μας επιτρέπει να δημιουργήσουμε και να εκ- παιδεύσουμε αποδοτικά “state of the art” μοντέλα τεχνητών νευρωνικών δικτύων σε λίγες γραμμές κώδικα.	el
heal.advisorName	Κουτσούρης, Διονύσιος Δημήτριος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.
heal.fullTextAvailability	false