Βαθιά νευρωνικά δίκτυα για την ανάλυση ακτινογραφιών και αξονικών τομογραφιών ασθενών με COVID-19

Μπούας, Νικόλαος

dc.contributor.author	Μπούας, Νικόλαος	el
dc.date.accessioned	2020-11-07T06:38:04Z
dc.date.available	2020-11-07T06:38:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51804
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19502
dc.rights	Default License
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Συσταδοποίηση	el
dc.subject	Κορονοϊός	el
dc.subject	Ακτινογραφίες	el
dc.subject	Αξονικές Τομογραφίες	el
dc.title	Βαθιά νευρωνικά δίκτυα για την ανάλυση ακτινογραφιών και αξονικών τομογραφιών ασθενών με COVID-19	el
dc.contributor.department	Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-29
heal.abstract	Ο ραγδαία αυξανόμενος αριθμός κρουσμάτων COVID-19 και οι επιπτώσεις που έχει το γεγονός αυτό σε κοινωνικό επίπεδο, επισημάνουν την ανάγκη ανάπτυξης μηχανισμών για την γρήγορη και αποτελεσματική ανίχνευση των κρουσμάτων αυτών. Ο παραδοσιακός τρόπος ανίχνευσης είναι συχνά χρονοβόρος και ακριβός. Στο πλαίσιο της διπλωματικής αυτής μελετάμε και αναπτύσσουμε έξυπνα συστήματα για την επιτυχή ανίχνευση κρουσμάτων με τη χρήση ακτινογραφιών ή αξονικών τομογραφιών. Ένα βασικό μειονέκτημα των συστημάτων αυτών είναι ότι συχνά λειτουργούν ως "μαύρο κουτί", δηλαδή δε γνωρίζουμε γιατί λαμβάνουν την απόφαση που έλαβαν. Το πρόβλημα αυτό είναι σημαντικό να αντιμετωπιστεί, ιδιαίτερα όταν έχουμε να κάνουμε με συστήματα ιατρικής υποβοήθησης όπως αυτά που θα αναπτύξουμε. Για να το αντιμετωπίσουμε, εφαρμόσαμε μεθόδους ομαδοποίησης οι οποίες πέρα από την κατηγοριοποίηση των εικόνων, μπορούν εύκολα να παρέχουν πληροφορία που να εξηγεί τους λόγους για τους οποίους το σύστημα πήρε μία συγκεκριμένη απόφαση. Τέλος, αναπτύσσουμε συστήματα ικανά να ταξινομήσουν εικόνες που προέρχονται από σύνολα δεδομένων που περιέχουν ακτινογραφίες αλλά και αξονικές τομογραφίες με κλασσικές μεθόδους μηχανικής μάθησης ή χρησιμοποιώντας ομαδοποίηση.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false