Ανίχνευση όγκων σε μαστογραφίες με χρήση Συνελικτικών Νευρωνικών Δικτύων αρχιτεκτονικής U-Net

Καράμπαμπας, Γεώργιος; Karampampas, Georgios

dc.contributor.author	Καράμπαμπας, Γεώργιος	el
dc.contributor.author	Karampampas, Georgios	en
dc.date.accessioned	2022-02-02T10:14:50Z
dc.date.available	2022-02-02T10:14:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54521
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22219
dc.rights	Default License
dc.subject	Συνελικτικά δίκτυα	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Διαγνωστικές μέθοδοι	el
dc.subject	Καρκίνος μαστού	el
dc.subject	Κατάτμηση εικόνων	el
dc.subject	Image Segmentation	en
dc.subject	Breast Cancer	en
dc.subject	Breast Tumors	en
dc.subject	Mammography	en
dc.subject	Medical Imaging Techniques	en
dc.subject	Convolutional Neural Networks	en
dc.title	Ανίχνευση όγκων σε μαστογραφίες με χρήση Συνελικτικών Νευρωνικών Δικτύων αρχιτεκτονικής U-Net	el
dc.contributor.department	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-Οικονομικά Συστήματα (ΜΒΑ)”	el
heal.type	masterThesis
heal.classification	Deep Learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-19
heal.abstract	Στόχος της εργασίας είναι η χρησιμοποίηση Συνελικτικών Νευρωνικών Δικτύων βασισμένων στην αρχιτεκτονική Unet , ώστε να βελτιστοποιηθεί ο βαθμός εντοπισμού καλοηθών ή κακοηθών ανωμαλιών (όγκων) σε μαστογραφίες. Αρχικά παρουσιάζονται οι βασικές μορφές ανωμαλιών του μαστού όπως αυτές εμφανίζονται σε ψηφιακές ή συμβατικές μαστογραφίες , οι σύγχρονες απεικονιστικές τεχνικές εντοπισμού τους με τη βοήθεια απεικονιστικών μεθόδων και υπολογιστών (CAD) και οι προκλήσεις που αντιμετωπίζουμε στην εγκυρότητα της διάγνωσης σήμερα. Στη συνέχεια γίνεται μία σύντομη αναφορά στα τα βασικά στοιχεία της θεωρίας των νευρωνικών δικτύων με έμφαση στα συνελικτικά νευρωνικά δίκτυα και με κύριο σκοπό μας τη μελέτη της κατάτμησης ιατρικών εικόνων. Τα ΣΝΔ μπορούν να έχουν διάφορες αρχιτεκτονικές με διαφορετικό βάθος, διαφορετικό πλήθος συνελίξεων, διαφορετικές συναρτήσεις ενεργοποίησης και πολλές άλλες παραμέτρους και τεχνολογίες. Συνεπώς τα τελευταία χρόνια μεγάλος όγκος έρευνας γίνεται για την ανακάλυψη αρχιτεκτονικών που είναι οι πλέον κατάλληλες για την κατάτμηση ιατρικών εικόνων. Οι εικόνες που χρησιμοποιήθηκαν προέρχονται από τρία διαφορετικά σύνολα δεδομένων με μαστογραφίες (MIAS,CBIS-DDSM,INBREAST) στις οποίες εντοπίζονται διάφορες καλοήθεις και κακοήθεις ανωμαλίες . Στην παρούσα εργασία διερευνούμε με χρήση του απλού μοντέλου UNET και παραλλαγών του βαθύτερης αρχιτεκτονικής και προσδιορίχουμε το βαθμό ακρίβειας εντοπισμού ανωμαλιών σε κάθε ένα από τα τρία προαναφερθέντα σύνολα δεδομένων . Σκοπός μας είναι να βελτιώσουμε την ακρίβεια εντοπισμού της θέσης και του περιγράμματος των όγκων στις εικόνες, άλλα παράλληλα να κατανοήσουμε βαθύτερα τις δομικές παραμέτρους της αρχιτεκτονικής των ΣΝΔ, για ταχύτερη και πλέον αξιόπιστη εκπαίδευση αντίστοιχων δικτύων για παρόμοια προβλήματα.	el
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Δουλάμης, Νικόλαος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	109 σ.	el
heal.fullTextAvailability	false