dc.contributor.author | Σαλπέα, Ναταλία Ευδοξία![]() |
el |
dc.contributor.author | Salpea, Natalia Evdoxia![]() |
en |
dc.date.accessioned | 2022-11-07T10:33:36Z | |
dc.date.available | 2022-11-07T10:33:36Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/56105 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.23803 | |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
dc.subject | Τμηματοποίηση ιατρικής εικόνας | el |
dc.subject | Medical image segmentation | en |
dc.subject | Πολύποδες | el |
dc.subject | Πυρήνες κυττάρων | el |
dc.subject | Δίκτυα κωδικοποιητή- αποκωδικοποιητή | el |
dc.subject | Μετασχηματιστές | el |
dc.subject | Διεσταλμένη συνέλιξη | el |
dc.subject | Συνελικτικά δίκτυα | el |
dc.subject | Squeeze and excitation | en |
dc.subject | Υπολειμματική μάθηση | el |
dc.subject | Μηχανισμός προσοχής | el |
dc.subject | Shape stream,UNet | en |
dc.subject | Polyps | en |
dc.subject | Cell nuclei | en |
dc.subject | Encoder-decoder | en |
dc.subject | Transformers | en |
dc.subject | Atrous convolution | en |
dc.subject | Convolutional neural networks | en |
dc.subject | Residual learning | en |
dc.title | Τμηματοποίηση Ιατρικής Εικόνας: Μελέτη και αξιολόγηση σύγχρονων προσεγγίσεων | el |
dc.title | Medical Image Segmentation: A review of modern approaches | en |
heal.type | bachelorThesis | |
heal.classification | Μηχανική Μάθηση | el |
heal.classification | Machine Learning | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-07-13 | |
heal.abstract | Medical image segmentation involves identifying regions of interest in medical images. In modern times, there is a great need to develop robust computer vision algorithms to perform this task in order to reduce the time and cost of diagnosis and thus to aid quicker prevention and treatment of a variety of diseases. The approaches presented so far, mainly follow the U-type architecture proposed along with the UNet model, implement encoder-decoder type architectures with fully convolutional networks,and also transformer architectures, exploiting both attention mechanisms and residual learning, and emphasizing information gathering at different resolution scales. Many of these architectural variants achieve significant improvements in quantitative and qualitative results in comparison to the pioneer UNet, while some fail to outperform it. In this thesis, 11 models designed for medical image segmentation, and other types of segmentation, are trained and tested, evaluated on specific evaluation metrics, on 4 publicly available datasets related to gastric polyps and cell nuclei, which are first augmented to increase their size in an attempt to address the problem of the lack of a large amount of medical data. In addition, their generalizability and the effect of data augmentation on the scores of the experiments are also examined. Finally, conclusions on the performance of the models are provided and future extensions that can improve their performance in the task of medical image segmentation are discussed. | en |
heal.abstract | Η τμηματοποίηση ιατρικής εικόνας περιλαμβάνει τον εντοπισμό περιοχών ενδιαφέροντος σε εικόνες ιατρικού περιεχομένου. Στη σύγχρονη εποχή, υπάρχει μεγάλη ανάγκη ανάπτυξης εύρωστων αλγορίθμων όρασης υπολογιστών για την εκτέλεση του συγκεκριμένου έργου με σκοπό την μείωση του χρόνου και του κόστους διάγνωσης και επομένως την γρήγορη πρόληψη και θεραπεία ποικίλων ασθενειών. Οι προσεγγίσεις που έχουν παρουσιαστεί μέχρι στιγμής, κυρίως ακολουθούν την αρχιτεκτονική τύπου U που προτάθηκε με το μοντέλο UNet, υλοποιούν αρχιτεκτονικές τύπου κωδικοποιητή-αποκωδικοποιητή με πλήρως συνελικτικά δίκτυα, αλλά και αρχιτεκτονικές μετασχηματιστή, αξιοποιώντας ταυτόχρονα και μηχανισμούς προσοχής αλλά και υπολειμματικής μάθησης, και δίνοντας έμφαση στην συγκέντρωση πληροφοριών σε διαφορετικές κλίμακες ανάλυσης. Πολλές από αυτές τις παραλλαγές αρχιτεκτονικών, πετυχαίνουν εμφανή βελτίωση των ποσοτικών και ποιοτικών αποτελεσμάτων σχετικά με το πρωτοπόρο UNet, ενώ μερικές δεν καταφέρνουν να ξεπεράσουν την επίδοση του. Στην παρούσα διπλωματική εργασία, εκπαιδεύονται και εξετάζονται 11 μοντέλα σχεδιασμένα για τμηματοποίηση ιατρικής εικόνας αλλά και άλλους τύπους τμηματοποίησης, με κριτήρια συγκεκριμένες μετρικές αξιολόγησης, σε 4 δημόσια διαθέσιμα σύνολα δεδομένων που σχετίζονται με γαστρικούς πολύποδες και πυρήνες κυττάρων, τα οποία πρώτα επαυξάνονται ώστε να αυξηθεί το μέγεθός τους σε μια προσπάθεια να αντιμετωπιστεί το πρόβλημα της έλλειψης μεγάλου πλήθους ιατρικών δεδομένων. Επιπλέον εξετάζεται η ικανότητα γενίκευσης τους καθώς και η επίδραση της επαύξησης των δεδομένων στα scores των πειραμάτων. Τέλος παρατίθενται τα συμπεράσματα περί της επίδοσης των μοντέλων και συζητούνται μελλοντικές επεκτάσεις που μπορούν να βελτιώσουν την επίδοση τους στο έργο της τμηματοποίησης ιατρικής εικόνας | el |
heal.advisorName | Kollias, Stefanos![]() |
en |
heal.committeeMemberName | Σταφυλοπάτης, Ανδρέας-Γεώργιος | el |
heal.committeeMemberName | Στάμου, Γιώργος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 107 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: