Τεχνικές βαθιάς μηχανικής μάθησης για ανάλυση ιατρικών εικόνων και διάγνωση Covid-19

Βλάχος, Ιωάννης; Vlachos, Ioannis

dc.contributor.author	Βλάχος, Ιωάννης	el
dc.contributor.author	Vlachos, Ioannis	en
dc.date.accessioned	2020-12-02T15:37:56Z
dc.date.available	2020-12-02T15:37:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52179
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19877
dc.rights	Default License
dc.subject	Κορονοϊός	el
dc.subject	Αξονικές τομογραφίες	el
dc.subject	Ομαδοποίηση	el
dc.subject	Covid-19	en
dc.subject	CT scans	en
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Clustering	en
dc.subject	Convolutional neural nets	en
dc.subject	Recurrent neural nets	en
dc.title	Τεχνικές βαθιάς μηχανικής μάθησης για ανάλυση ιατρικών εικόνων και διάγνωση Covid-19	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-19
heal.abstract	Εν έτει 2020, η ασθένεια Covid-19, η οποία έλαβε διαστάσεις πανδημίας, αποτέλεσε πρωτόγνωρη απειλή για την παγκόσμια υγεία μεταβάλλοντας ραγδαία την καθημερινή μας ζωή. Από νωρίς διαπιστώθηκε η ανάγκη άμεσης ανίχνευσης και διάγνωσης των ασθενών και φορέων του ιού. Σε αυτή την προσπάθεια η τεχνητή νοημοσύνη αποτελεί καθοριστικό παράγοντα στη διαμόρφωση αξιόπιστων προβλέψεων, οι οποίες δύνανται να συντελέσουν στη λήψη ιατρικών αποφάσεων μειώνοντας σημαντικά τον χρόνο διάγνωσης. Στο πλαίσιο της διπλωματικής εργασίας, μέσα από την ανάλυση ιατρικών εικόνων αξονικών τομογραφιών θώρακος, σχεδιάζεται αξιόπιστο CNN για την διάγνωση της ασθένειας Covid-19 σε πιθανά κρούσματα. Αρχικά εκπαιδεύονται δίκτυα σε σύνολο δεδομένων ξένων ατόμων, ενώ τα αποτελέσματα προσαρμόζονται και επεκτείνονται σε σειρά ελληνικών δεδομένων. Για την σαφέστερη κατανόηση και ανάλυση των αποτελεσμάτων, εξάγουμε αναπαραστάσεις για κάθε εικόνα με τις οποίες εφαρμόζουμε ομαδοποίηση στο σύνολο των δεδομένων. Η διαδικασία αυτή μας δείχνει τον τρόπο με τον οποίο κατανέμονται τα δεδομένα στον χώρο του προβλήματος και επιτρέπει την περαιτέρω βελτιστοποίηση των αποτελεσμάτων. Δοκιμάζονται επίσης έτοιμα μοντέλα κατάτμησης ιατρικών εικόνων κρουσμάτων Covid-19, με σκοπό να μελετηθεί η επίδρασή τους στην εκπαίδευση συγκεκριμένων δικτύων. Τέλος, χρησιμοποιούμε αναδρομικά νευρωνικά δίκτυα για την εξαγωγή προβλέψεων σε ακολουθίες εικόνων και 3D αξονικών τομογραφιών.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.	el
heal.fullTextAvailability	false