Εφαρμογή τεχνικών ανίχνευσης περιοχών ενδιαφέροντος σε ιατρικές εικόνες

Μπολλάνο, Ορέστης; Bollano, Orestis

dc.contributor.author	Μπολλάνο, Ορέστης	el
dc.contributor.author	Bollano, Orestis	en
dc.date.accessioned	2022-09-01T09:35:40Z
dc.date.available	2022-09-01T09:35:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55573
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23271
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	Ανίχνευση αντικειμένων	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ιατρικές εικόνες	el
dc.subject	Αξονικές τομογραφίες	el
dc.subject	Σύστημα οπτικής αναγνώρισης	el
dc.subject	Object detection	en
dc.subject	Neural network	en
dc.subject	Visual recognition system	en
dc.subject	Medical images	en
dc.subject	CT Scans	en
dc.title	Εφαρμογή τεχνικών ανίχνευσης περιοχών ενδιαφέροντος σε ιατρικές εικόνες	el
dc.title	Application of object detection for regions of interest in medical images	en
heal.type	bachelorThesis
heal.classification	Βαθιά μάθηση	el
heal.classification	Deep learning	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-02
heal.abstract	Η σημερινή εποχή χαρακτηρίζεται τόσο από τη ραγδαία ανάπτυξη της τεχνολογίας και τη διάδοση της πληροφορίας όσο και από τη στροφή της οικονομίας προς την ψηφιοποίηση των δομών της κοινωνίας. Στο πλαίσιο αυτό, η χρήση ανθρώπινου δυναμικού για εργασίες που παλαιότερα ήταν σχεδόν υποχρεωτικές έχει γίνει πλέον προαιρετική. Ανταποκρινόμενη στις προκλήσεις και τις ανάγκες που επιβάλλει η πραγματικότητα, η προσφορά υπηρεσιών και αγαθών πρέπει να προσαρμοστεί ώστε να συμβαδίζει με τις τρέχουσες τάσεις. Η ρομποτική, η αυτόνομη οδήγηση, η βιντεοεπιτήρηση, η ψηφιακή ανάλυση ιατρικών εικόνων είναι μερικοί από τους τομείς στους οποίους η τεχνολογία έχει κάνει άλματα και η αυτοματοποίηση των εργασιών είναι πλέον δεδομένη. Η χρήση συστημάτων οπτικής αναγνώρισης (VRS) βρίσκεται στον πυρήνα όλων αυτών των εφαρμογών. Λόγω της σημαντικής ανάπτυξης των νευρωνικών δικτύων, τα συστήματα αυτά έχουν επιτύχει αξιοσημείωτες επιδόσεις. Πιο συγκεκριμένα, η ανίχνευση αντικειμένων είναι ένας από αυτούς τους τομείς. Οι διάφοροι αλγόριθμοι που έχουν αναπτυχθεί με την πάροδο των ετών (YOLO, Fast R-CNN, SSD κ.λπ.) προσφέρουν μια πληθώρα επιλογών για τις μεθόδους αξιοποίησής του. Κάθε διαφορετικός αλγόριθμος προσφέρει διαφορετικά πλεονεκτήματα και μειονεκτήματα με βάση τα δεδομένα που θα χρησιμοποιηθούν. Ο ιατρικός τομέας επωφελείται σημαντικά από την ανάπτυξη αυτού του τομέα, καθώς είναι πλέον διαθέσιμη η γρήγορη και αξιόπιστη επεξεργασία ιατρικών εικόνων από το ιατρικό προσωπικό. Η ακριβής ανάλυση των αξονικών τομογραφιών, των μαγνητικών τομογραφιών και των απλών τομογραφιών γίνεται μια απλή διαδικασία που πιθανόν στο μέλλον θα μπορεί να πραγματοποιείται από τον ίδιο τον ασθενή. Η ευκολία του συστήματος Ανίχνευσης Αντικειμένων και η δυνατότητα ανάπτυξής του στον ιατρικό τομέα, έναν από τους σημαντικότερους τομείς της κοινωνίας, αποτέλεσε το έναυσμα για τη διατύπωση του θέματος της παρούσας διπλωματικής εργασίας. Η αξιολόγηση της μεθοδολογίας του αλγορίθμου Faster R-CNN γίνεται σε πειραματικό επίπεδο καθώς χρησιμοποιούνται πραγματικές αξονικές τομογραφίες. Εξάγονται συμπεράσματα από τη χρήση των συναρτήσεων απωλειών σε μοντέλα τεχνητής νοημοσύνης που εκπαιδεύονται για τη συγκεκριμένη λειτουργία. Keywords: Visual Recognition Systems (VRS), Object Detection, Neural Networks, Medical Images, CT scans, Faster R-CNN	el
heal.abstract	The current era is characterized by both the rapid development of technology and the spread of information and the shift of the economy towards the digitalization of the structures of society. In this context, the use of human resources for tasks that used to be almost compulsory has now become optional. In response to the challenges and needs imposed by reality, the supply of services and goods must adapt to keep pace with current trends. Robotics, autonomous driving, video surveillance, digital analysis of medical images are some of the areas where technology has made leaps and bounds and the automation of operations is now a given. The use of Visual Recognition Systems (VRS) is at the core of all these applications. Due to the significant development in Neural Networks these systems have achieved remarkable performance. More specifically, Object Detection is one of these areas. The different algorithms that have been developed over the years (YOLO, Fast R-CNN, SSD etc.) offer a plethora of options for its exploitation methods. Each different algorithm offers different advantages and disadvantages based on the data to be used. The medical sector benefits significantly from the development of this field as fast and reliable processing of medical images by medical staff is now available. Accurate analysis of CT scans, MRI scans and simple tomographs is becoming a simple process that will probably in the future be able to be performed by the patient himself. The ease of the Object Detection system and the possibility of its development in the medical field, one of the most important areas of society, was the impetus for the formulation of the topic of this thesis. The evaluation of the methodology of the Faster R-CNN algorithm is done at the experimental level as real CT scans are used. Conclusions are drawn from the use of loss functions in artificial intelligence models trained for the specific function. Keywords: Visual Recognition Systems (VRS), Object Detection, Neural Networks, Medical Images, CT scans, Faster R-CNN	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.advisorName	Doulamis, Anastasios	en
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Βεσκούκης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.	el
heal.fullTextAvailability	false