Κατάτμηση αιμοφόρων αγγείων αμφιβληστροειδούς χρησιμοποιώντας τεχνικές Βαθιάς Μηχανικής Μάθησης

Γιάτσου, Αθανασία; Giatsou, Athanasia

dc.contributor.author	Γιάτσου, Αθανασία	el
dc.contributor.author	Giatsou, Athanasia	en
dc.date.accessioned	2022-12-12T12:37:33Z
dc.date.available	2022-12-12T12:37:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56430
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24128
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	Τμηματοποίηση Εικόνας	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βαθιά Μηχανική Μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Επεξεργασία Εικόνας	el
dc.subject	Image Segmentation	en
dc.subject	Machine Learning	en
dc.subject	Deep Learning	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Image Processing	en
dc.title	Κατάτμηση αιμοφόρων αγγείων αμφιβληστροειδούς χρησιμοποιώντας τεχνικές Βαθιάς Μηχανικής Μάθησης	el
dc.title	Retinal blood vessels segmentation using Deep Learning techniques	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Artificial Intelligence	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-09-22
heal.abstract	Η κατάτμηση των αγγείων του αμφιβληστροειδούς είναι ένα κρίσιμο βήμα για διάφορες ιατρικές εφαρμογές, καθώς χρησιμοποιείται ευρέως για την παρακολούθηση της εξέλιξης της νόσου και την αξιολόγηση διαφόρων οφθαλμολογικών ασθενειών. Ωστόσο, η χειροκίνητη κατάτμηση αγγείων από εκπαιδευμένους ειδικούς είναι μια επαναλαμβανόμενη και χρονοβόρα διαδικασία. Τις τελευταίες δύο δεκαετίες, έχουν εισαχθεί πολλές προσεγγίσεις για την αυτόματη τμηματοποίηση των αγγείων του αμφιβληστροειδούς. Με τις πιο πρόσφατες εξελίξεις στον τομέα των νευρωνικών δικτύων και της βαθιάς μάθησης, έχουν εφαρμοστεί πολλαπλές μέθοδοι με έμφαση στην κατάτμηση και την οριοθέτηση των αιμοφόρων αγγείων. Οι μέθοδοι Βαθιάς Μηχανικής Μάθησης, όπως τα Συνελικτικά Νευρωνικά Δίκτυα (CNN), έχουν γίνει πρόσφατα μια από τις νέες τάσεις στον τομέα της Όρασης Υπολογιστών. Η ικανότητά τους να βρίσκουν ισχυρούς χωρικούς τοπικούς συσχετισμούς στα δεδομένα σε διαφορετικά επίπεδα αφαίρεσης τους επιτρέπει να μάθουν ένα σύνολο φίλτρων που είναι χρήσιμα για τη σωστή τμηματοποίηση των δεδομένων όταν τους δίνεται ένα σετ εκπαίδευσης με ετικέτες. Στην παρούσα διπλωματική εργασία μελετώνται δύο διαφορετικές προσεγγίσεις που βασίζονται σε τεχνικές βαθιάς μάθησης για την κατάτμηση των αιμοφόρων αγγείων του αμφιβληστροειδούς. Η πρώτη προσέγγιση βασίζεται στην ταξινόμηση ανά τεμάχιο εικόνας και η δεύτερη στην τμηματοποίηση βάση εικονοστοιχείου. Από τα μοντέλα που θα εφαρμοστούν θα επιλέξουμε το πιο αποτελεσματικό από κάθε προσέγγιση και, τέλος, θα κατασκευάσουμε ένα σύστημα που μπορεί να συνδυάσει τις δύο προσεγγίσεις βαθιάς μάθησης προκειμένου να βελτιστοποιηθούν τα αποτελέσματα, βασισμένο στην Εκμάθηση Συνόλου ή Ensemble Learning.	el
heal.abstract	Retinal vessel segmentation is a crucial step for various medical applications, as it is widely used in monitoring disease progression and evaluating of various ophthalmologic diseases. However, manual vessel segmentation by trained specialists is a repetitive and time-consuming task. In the last two decades, many approaches have been introduced to segment the retinal vessels automatically. With the more recent advances in the field of neural networks and deep learning, multiple methods have been implemented with a focus on the segmentation and delineation of the blood vessels. Deep Learning methods, such as Convolutional Neural Networks (CNN), have recently become one of the new trends in the Computer Vision area. Their ability to find strong spatially local correlations in the data at different abstraction levels allows them to learn a set of filters that are useful to correctly segment the data when given a labeled training set. In this dissertation, two different approaches based on deep learning techniques for the segmentation of retinal blood vessels are studied. The first approach is based on Patch-wise Classification and the second one on Pixel-wise Segmentation. From the models implemented we will chose the most effective from each approach and finally, construct a system that can combine the two deep learning approaches in order to optimize the results, based on Ensemble Learning.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	119 σ.	el
heal.fullTextAvailability	false