Πρόγνωση covid-19 με χρήση μηχανικής μάθησης σε αξονικές στήθους

Ζερκελίδης, Δημήτριος; Zerkelidis, Dimitrios

dc.contributor.author	Ζερκελίδης, Δημήτριος	el
dc.contributor.author	Zerkelidis, Dimitrios	en
dc.date.accessioned	2021-06-02T08:04:18Z
dc.date.available	2021-06-02T08:04:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53537
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21235
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Αξονικές στήθους	el
dc.subject	Μηχανικη μάθηση	el
dc.subject	Κατάτμηση πνευμόνων	el
dc.subject	Κορωνοϊός	el
dc.subject	Εξαγωγή χαρακτηριστικών	el
dc.subject	Computed Tomography	en
dc.subject	Δυαδική ταξινόμηση	el
dc.subject	Πρόγνωση	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Μη επιβλεπόμενη μάθηση	el
dc.subject	Ανίχνευση ανωμαλιών	el
dc.subject	Μη ισορροποημένο σύνολο δεδομένων	el
dc.subject	Περιοχή ενδιαφέροντος	el
dc.subject	Binary classification	en
dc.subject	Επαύξηση δεδομένων	el
dc.subject	Data augmentation	en
dc.subject	Anomaly Detetction	en
dc.subject	Region of interest	en
dc.subject	Imbalanced dataset	en
dc.subject	AUROC	en
dc.subject	F1-score	en
dc.subject	Machine learning	en
dc.subject	Feature extraction	en
dc.subject	Lung segmentation	en
dc.subject	Supevised learning	en
dc.subject	Unsupervised learning	en
dc.subject	Prediction	en
dc.title	Πρόγνωση covid-19 με χρήση μηχανικής μάθησης σε αξονικές στήθους	el
dc.title	Covid-19 prediction using machine learning on ct scans	en
dc.contributor.department	Bio-Medical Imaging Group	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Machine learning	en
heal.classification	Artificial Intelligence	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-04-15
heal.abstract	In 2020 our world and peoples’ lives changed rapidly due to Corona Virus Disease 19 (Covid-19). The virus was able to spread very fast, forcing the World Health Organisation (WHO) to declare the new disease as a pandemic. As a result, a vast need, for immediate detection of patients that ail from Covid-19, was created very soon. Current tests are usually slow, expensive and prone to mistake. In this endeavor, a dataset from CT scans is collected, which is DICOM image series of each patient. This dataset is consisted of people that tested either positive or negative to Covid-19. At the very beginning, while having the DICOM image series from our patients, a lung-segmentation algorithm is implemented. The algorithm that is chosen for extracting the lung area is multiple thresholding. Also, gaussian smoothing and hole filling is used. Hence, only the Region-Of- Interest (ROI) is used which is the patient’s lung area. This will work as a mask for the real image. Later, this thesis focuses on extracting features in the Region Of Interest (ROI) of the CT scans using medical image processing algorithms. These features can be divided into the next categories: 1)First Order Statistics, 2)GLCM, 3)3D-Shape, 4) GLSZM, 5)GLRLM, 6)NGTDM and 7)GLDM. In the next stage, feature selection is applied to identify the best subset of features that can predict the existence of Covid-19 to a patient. After feature extraction, both supervised and unsupervised machine learning algorithms are implemented for patients’ binary classification is conducted. Supervised methods such as Support Vector Machines, K Nearest Neighbors, Decision Trees with bagging and boosting methods are used. On the other side, as unsupervised models, Isolation Forests, Local Outlier Factor and Auto-encoders with threshold on reconstruction error will be tested. In the unsupervised case, the problem is viewed as anomaly detection because of the high imbalance between the classes. Our metric evaluation will be based on AUROC scores, sensitivity, specificity and F1-score, since our dataset is highly imbalanced. For that reason data augmentation techniques will be tested too. Finally, the features with the best clinical impact will be mentioned.	en
heal.abstract	Το 2020 ο κόσμος και οι ζωές των ανθρώπων άλλαξαν ραγδαία λόγω της ασθένειας κορωνοϊού 19(Covid-19). Ο ιός μπόρεσε να εξαπλωθεί πολύ γρήγορα, αναγκάζοντας τον Παγκόσμιο Οργανισμό Υγείας (ΠΟΥ) να κηρύξει τη νέα ασθένεια ως πανδημία. Ως αποτέλεσμα, μια τεράστια ανάγκη, για άμεση ανίχνευση ασθενών από τον Covid-19, δημιουργήθηκε πολύ σύντομα. Οι τρέχουσες δοκιμές είναι συνήθως αργές, ακριβές και επιρρεπείς στο σφάλμα. Στην προσπά- θειά αυτή, έχουν συλλεχθεί αξονικές θώρακος, οι οποίες είναι DICOM σειρές εικόνων του κάθε ασθενή. Αυτό το σύνολο δεδομένων αποτελεί- ται από άτομα που έχουν επισημανθεί είτε θετικά είτε αρνητικά στον κορωνοϊό (Covid-19). Στην αρχή, έχοντας ως δεδομένα τις σειρές εικόνων DICOM από τους ασθενείς μας, εφαρμόζεται ένας αλγόριθμο τμηματοποίησης πνευ- μόνων. O αλγόριθμος που επιλέχθηκε για την εξαγωγή της περιοχής των πνευμόνων από τις εικόνες ήταν με χρήση πολλαπλών κατωφλιών. Επί- σης, έγινε χρήση των μεθόδων gaussian smoothing και hole filling. Ως εκ τούτου, λαμβάνονται μόνο οι περιοχές ενδιαφέροντος (ROIs) που είναι η περιοχή των πνευμόνων του ασθενούς. Η περιοχή ενδιαφέροντος θα λειτουργήσει ως μάσκα στην πραγματική εικόνα. Στη συνέχεια, για την εξαγωγή χαρακτηριστικών στην περιοχή εν- διαφέροντος (ROI) από τις αξονικές θώρακος χρησιμοποιούνται ιατρικοί αλγόριθμοι επεξεργασίας εικόνας. Οι αλγόριθμοι αυτοί δίνουν τις εξής κατηγορίες χαρακτηριστικών: 1)First Order Statistics, 2)GLCM, 3)3DShape, 4) GLSZM, 5)GLRLM, 6)NGTDM και 7)GLDM. Στο επόμενο στά- διο, η επιλογή χαρακτηριστικών εφαρμόζεται για τον προσδιορισμό του καλύτερου υποσυνόλου αυτών των χαρακτηριστικών, που μπορούν να προβλέψουν την ύπαρξη του Covid-19 σε ένα ασθενή. Έπειτα από την εξαγωγή των χαρακτηριστικών, εφαρμόζονται αλ- γόριθμοι, επιβλεπόμενης και μη επιβλεπόμενης μάθησης για τη δυα- δική ταξινόμηση των ασθενών. Μέθοδοι επιβλεπόμενης μάθησης επι- στρατεύονται όπως οι αλγόριθμοι, Support Vector Machines, Κ Nearest Neighbor, Decision Trees με μεθόδους bagging ή boosting. Από την άλλη πλευρά, ως μη επιβλεπόμενης μάθησης μέθοδοι αλγόριθμοι όπως, Isolation Forests, Local Outlier Factor και Aυτοκωδικοποιητές με χρήση κατωφλιού το reconstruction error θα δοκιμαστούν. Στην περίπτωση των μη επιβλεπόμενων μεθόδων, το πρόβλημα αντιμετωπίζεται ως πρόβλημα ανίχνευσης ανωμαλιών λόγω της μεγάλης ανισσότητας των κλάσεων. H αξιολόγηση των προγνωστικών μοντέλων θα βασιστούν στις με- τρικές AUROC, ευαισθησία (sensitivity), ειδικότητα (specificity), F1-σκορ, καθώς τα δεδομένα μας χαρακτηρίζονται από μεγάλη ανισορροπία. Για το λόγο αυτό θα δοκιμαστούν κάποιες τεχνικές επαύξησης δεδομένων.	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.advisorName	Matsopoulos, Georgios	en
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Matsopoulos, Georgios	en
heal.committeeMemberName	Koutsouris, Dimitrios	en
heal.committeeMemberName	Tsanakas, Panagiotis	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	141 σ.	el
heal.fullTextAvailability	false