Ανακατασκευή 3D επιφανειών με χρήση Νευρωνικών
Δικτύων

Γεωργάκης, Άγγελος; Georgakis, Angelos

dc.contributor.author	Γεωργάκης, Άγγελος	el
dc.contributor.author	Georgakis, Angelos	en
dc.date.accessioned	2022-02-10T09:31:12Z
dc.date.available	2022-02-10T09:31:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54650
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22348
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Αυτοκωδικοποιητής	el
dc.subject	Ανακατασκευή εικόνων	el
dc.subject	Αναπαράσταση 3D εικόνων	el
dc.subject	3D image representation	en
dc.subject	Image reconstruction	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Autoencoder	en
dc.subject	3D CBCT scans	en
dc.title	Ανακατασκευή 3D επιφανειών με χρήση Νευρωνικών Δικτύων	el
heal.type	bachelorThesis
heal.classification	ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ	el
heal.classification	ΒΙΟΙΑΤΡΙΚΗ	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-25
heal.abstract	Η ραγδαία ανάπτυξη των μοντέλων τεχνιτής νοημοσύνης που λαμβάνει χώρα τις τελευταίες δεκα- ετίες, την έχει φέρει σε θέση να εισχωρήσει σε όλους τους τομείς της ανθρώπινης δραστηριότητας. Συνεπώς δεν θα μπορούσε να μην χρησιμοποιείτε για την επεξεργασία και ανάλυση ιατρικών δε- δομένων. Ιδιαίτερα, στον τομέα αυτό γίνονται μεγάλα βήματα προόδου τόσο στο κομμάτι ερμηνείας δεδομέ- νων και πρόβλεψης ασθενειών, αλλά και στο κομμάτι της απόκτησης καλύτερων και σαφέστερων δεδομένων, ώστε η ερμηνεία να γίνει σε δέυτερο χρόνο από ειδικούς επιστήμονες. Στην παρούσα διπλωματική θα ασχοληθούμε με το κομμάτι της ανακατασκευής τρισδιάστατων κρανιακών scans. Για να το πετύχουμε αυτό θα χρησιμοποιήσουμε ίσως το πιο δυνατό εργαλείο που μας προσφέρει η τεχνιτή νοημοσύνη στον τομέα της ανάλυσης και επεξεργασίας εικόνας, τα συνελικτικά νευρωνικά δίκτυα. Στην προσπάθειά μας αυτή, συναντήσαμε διάφορες δυσκολίες τις οποίες όμως αντιμετωπίσαμε κυρίως χάρη στην κατάλληλη προεπεξεργασία των δεδομένων μας αλλά και στα πολύ ισχυρά και εύχρηστα εργαλεία διαχείρισης νευρωνικών δικτύων που παρέχει η γλώσσα προγραμματισμού που χρησιμοποιήσαμε, δηλαδή η Python. Πιο συγκεκριμένα μελετήσαμε και αξιολογήσαμε δύο διαφορετικά σύνολα δεδομένων, εκτελέσαμε πειράματα εκπαιδεύοντας μοντέλα με διαφορετικές αρχιτεκτονικές και ψάξαμε τον βέλτιστο συν- δυασμό υπερπαραμέτρων κάθε δικτύου, επιτυγχάνοντας εξαιρετικά καλές επιδόσεις. Τέλος χρησι- μοποιήσαμε εξειδικευμένο λογισμικό για την τρισδιάστατη αναπαράσταση των εικόνων μας, και με βάση τη γνώση και εμπειρία που αποκτήσαμε, προτείναμε μερικές ενδιαφέρουσες μελλοντικές κατευθύνσεις της επιστημονικής μελέτης	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Κουτσούρη,ς Δημήτρης	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.	el
heal.fullTextAvailability	false