Υλοποίηση μοντέλων βαθιάς μάθησης και τεχνικών μεταφοράς γνώσης σε ιατρικές εικόνες

Ορφανουδάκης, Φίλιππος Σκόβελεφ; Orfanoudakis, Filippos Skovelef

dc.contributor.author	Ορφανουδάκης, Φίλιππος Σκόβελεφ	el
dc.contributor.author	Orfanoudakis, Filippos Skovelef	en
dc.date.accessioned	2020-11-24T11:05:44Z
dc.date.available	2020-11-24T11:05:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52041
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19739
dc.rights	Default License
dc.subject	COVID-19	en
dc.subject	Βαθιά μάθηση	el
dc.subject	Ακτινογραφίες	el
dc.subject	Μεταφορά γνώσης	el
dc.subject	X-rays	en
dc.subject	Deep learning	en
dc.subject	Παραγωγικά αντιπαλικά δίκτυα	el
dc.subject	Βελτιστοποίηση σμήνους σωματιδίων	el
dc.subject	Transfer learning	en
dc.subject	Generative adversial networks	en
dc.title	Υλοποίηση μοντέλων βαθιάς μάθησης και τεχνικών μεταφοράς γνώσης σε ιατρικές εικόνες	el
heal.type	bachelorThesis
heal.classification	Deep Learning	en
heal.classification	Computer Vision	en
heal.classification	Image Classification	en
heal.classification	Βαθιά Μάθηση	el
heal.classification	Όραση Υπολογιστών	el
heal.classification	Ταξινόμηση Εικόνων	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-21
heal.abstract	Στο πλαίσιο αυτής της διπλωματικής εργασίας, μελετήθηκε η συμπεριφορά συστημάτων βαθιάς μάθησης με στόχο την ταξινόμηση ακτινογραφιών πνευμόνων ανθρώπων σε 3 κατηγορίες-καταστάσεις: πνευμονία, covid-19, κανονικές. Για αυτόν τον σκοπό, χρησιμοποιήθηκε μια συλλογή δεδομένων με 18356 ακτινογραφίες για την ανάπτυξη διαφορετικών μοντέλων αλλά και προσεγγίσεων στο πρόβλημα της ταξινόμησης. Η βέλτιστη τελική ακρίβεια που επιτεύχθηκε είναι 93% και εξήχθησαν χρήσιμες πληροφορίες για την επιλογή των υπερπαραμέτρων. Πρώτο βήμα ήταν η εξισορρόπηση της συλλογής που συλλέχθηκε καθώς οι ακτινογραφίες της κατηγορίας covid-19 ήταν αισθητά λιγότερες. Για την επίτευξη αυτού του στόχου αναπτύχθηκε ένα Παραγωγικό Αντιπαλικό Δίκτυο (Generative Adversial Network) , όπως επίσης αξιοποιήθηκε η μέθοδος της Επαύξησης Δεδομένων (Data Augmentation). Στη συνέχεια, χρησιμοποιήθηκαν τρία προεκπαιδευμένα μοντέλα το VGG19 , το ResNet152V2 και το CheXNet/Dense121 για να εφαρμοστούν μέθοδοι μεταφοράς γνώσης (Transfer Learning). Για την τελική επιλογή των υπερπαραμέτρων αξιοποιήθηκε ο αλγόριθμος Βελτιστοποίησης Σμήνους Σωματιδίων (Particle Swarm Optimization - PSO) , o οποίος μετά την ολοκλήρωση του ανέδειξε τις βέλτιστες αρχιτεκτονικές που κατάφερε να βρει. Για κάθε ένα από τα παραπάνω προτεινόμενα μοντέλα πραγματοποιήθηκε η διαδικασία βελτιστοποίησης υπερπαραμέτρων δύο φορές: μια φορά με τη συλλογή δεδομένων που εξισορροπήθηκε και μια φορά με τη συλλογή δεδομένων που δεν εξισορροπήθηκε. Αφού βρέθηκε η τελική αρχιτεκτονική για κάθε περίπτωση, εφαρμόστηκε η συλλογή δεδομένων που διατίθεται ως test και εξήχθησαν τα αποτελέσματα. Τέλος, συγκρίθηκαν τα αποτελέσματα των μοντέλων με μια αρκετά διαφορετική συλλογή δεδομένων. Μια συλλογή που αποτελείται από λιγότερες ακτινογραφίες με αρκετά καλύτερη ποιότητα. Με αυτόν τον τρόπο βγήκαν τα συμπεράσματα για το ποιο χαρακτηριστικό - ποιότητα ή ποσότητα - είναι πιο χρήσιμο στην περίπτωση μας.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	119 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false