Εμπλουτισμός δεδομένων με χρήση αντιστρέψιμων δημιουργικών νευρωνικών δικτύων

Ακαρέπης, Ανδρέας; Akarepis, Andreas

dc.contributor.author	Ακαρέπης, Ανδρέας	el
dc.contributor.author	Akarepis, Andreas	en
dc.date.accessioned	2022-11-18T10:43:51Z
dc.date.available	2022-11-18T10:43:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56171
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23869
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Τεχνητά Νευρωνικά Δίκτυα	el
dc.subject	Μη-Επιβλεπόμενη Μάθηση	el
dc.subject	Παραγωγικά Νευρωνικά Δίκτυα	el
dc.subject	Παραγωγή Εικόνας	el
dc.subject	Image synthesis	en
dc.subject	Generative Neural Networks	en
dc.subject	Unsupervised Learning	en
dc.subject	Artificial Neural Networks	en
dc.subject	Artificial Intelligence	en
dc.title	Εμπλουτισμός δεδομένων με χρήση αντιστρέψιμων δημιουργικών νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-13
heal.abstract	Ένα από τα μεγαλύτερα προβλήματα που αντιμετωπίζουν οι ιατρικές βάσεις δεδομένων είναι η έλλειψη και ο μικρός αριθμός δειγμάτων. Ακόμα και σε περιπτώσεις που υπάρχουν αρκετά ιατρικά δείγματα σε μια βάση, πολλά από αυτά δεν έχουν κάποια σχετική ετικέτα η οποία να κατηγοριοποιεί το δείγμα. Αυτό επιφέρει μεγάλες δυσκολίες στους ειδικούς που θέλουν να κατασκευάσουν νευρωνικά δίκτυα ταξινόμησης προκειμένου να κατηγοριοποιούν αυτόματα και με μεγαλύτερη ευκολία τα ιατρικά δεδομένα. Μια λύση σε αυτό το πρόβλημα έρχεται να δώσει πάλι η τεχνητή νοημοσύνη μέσω της αυτόματης σύνθεσης εικόνας. Μπορούμε χρησιμοποιώντας παραγωγικά νευρωνικά δίκτυα να παράξουμε νέα δεδομένα τα οποία θα εμπλουτίσουν την υπάρχουσα βάση δεδομένων η οποία πλέον θα μπορεί να χρησιμοποιηθεί πιο αποτελεσματικά για να εκπαιδεύσει ένα νευρωνικό δίκτυο ταξινόμησης. Κάτι αντίστοιχο κάναμε και στην παρούσα εργασία. Αρχικά πήραμε την ιατρική βάση δεδομένων mini-DDSM η οποία περιέχει μαστογραφίες χωρίς όγκο, με καλοήθη όγκο και με καρκίνο (για απλότητα αφαιρέσαμε τις εικόνες με τον καλοήθη όγκο) και επιχειρήσαμε να δούμε πόσο καλά μπορούμε να εκπαιδεύσουμε ένα προεκπαιδευμένο νευρωνικό δίκτυο ώστε να ταξινομεί σωστά τις εικόνες. Στη συνέχεια χρησιμοποιώντας διάφορα μοντέλα Normalizing Flow με έμφαση στο μοντέλο GLOW, παράξαμε αρκετές φωτογραφίες και εμπλουτίσαμε ένα υποσύνολο της βάσης δεδομένων που ορίσαμε ως σύνολο εκπαίδευσης. Χρησιμοποιώντας το ενισχυμένο σύνολο εκπαίδευσης, ξαναεκπαιδεύσαμε το προεκπαιδευμένο νευρωνικό δίκτυο και καταφέραμε να πάρουμε καλύτερα αποτελέσματα. Παράλληλα, επιχειρήσαμε με διάφορες τεχνικές να παρακάμψουμε κάποια προβλήματα που είχε το σλυνολο εκπαίδευσης όπως ότι κάποιες φωτογραφίες ήταν “σημαδεμένες” με άσπρο χρώμα. Κάποιες τεχνικές είχαν καλύτερα αποτελέσματα, άλλες όχι τόσο καλά.	el
heal.abstract	One of the biggest problems medical databases are facing is the lack and small number of samples. Even in cases where there are several medical samples in a database, many of them do not have a relevant label to categorize the sample. This brings great difficulties to specialists who want to construct classification neural networks in order to categorize medical data automatically. A solution to this problem is given by artificial intelligence through automatic image synthesis. We can use generative neural networks to generate new data that will enrich the existing database which can now be used more efficiently to train a classification neural network. We did something similar in the current thesis. First, we took the mini-DDSM medical database which contains tumor-free, benign and cancer mammograms (for simplicity we removed the benign images) and tried to see how well we can train a pretrained neural network to classify correctly the images. Then, using various Normalizing Flow models with emphasis on the GLOW model, we produced several photos and enriched a subset of the database that we defined as a training set. Using the enhanced training set, we retrained the pre-trained neural network and managed to get better results. At the same time, we experimented with various techniques to bypass some problems that the training set had, such as that some photos had white markings. Some techniques worked better, others not so well.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Θάνος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	50 σ.	el
heal.fullTextAvailability	false