Μελέτη δικτύων ταξινόμησης και μεθόδων
επεξηγησιμότητας σε ιατρικές εικόνες

Σαπουντζάκης, Γεώργιος; Sapountzakis, Georgios

dc.contributor.author	Σαπουντζάκης, Γεώργιος	el
dc.contributor.author	Sapountzakis, Georgios	en
dc.date.accessioned	2023-04-28T10:36:35Z
dc.date.available	2023-04-28T10:36:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57590
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25287
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	Ιατρική εικόνα	el
dc.subject	Κορονοϊός	el
dc.subject	Βαθιά συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Επεξηγησιμότητα	el
dc.subject	Medical image	en
dc.subject	Coronavirus	en
dc.subject	Deep convolutional neural networks	en
dc.subject	Explainability	en
dc.title	Μελέτη δικτύων ταξινόμησης και μεθόδων επεξηγησιμότητας σε ιατρικές εικόνες	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Ιατρική εικόνα	el
heal.classification	Επεξηγησιμότητα	el
heal.classification	Νευρωνικά δίκτυα	el
heal.classification	Explainability	en
heal.classification	Neural networks	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-17
heal.abstract	Η τεχνητή νοημοσύνη έχει διεισδύσει σε πολλούς τομείς του επιστημονικού κόσμου και κατά συνέπεια και της Ϲωής των ανθρώπων γενικότερα. Ως κλάδος έχει να προσφέρει πολλά και στον ιατρικό τομέα, προσφέροντας τάχιστα και ακριβή αποτελέσματα σε διαφορετικά προβλήματα. Τα αποτελέσματα προκύπτουν με την χρήση νευρωνικών δικτύων, τα οποία όμως έχουν πλέον αναπτυχθεί σε τέτοια ϐαθμό που το μέγεθος και η πολυπλοκότητα τους καθιστούν ανέφικτη την ανθρώπινη εποπτεία και συνεπώς προβληματίζουν τους χρήστες όσον αφορά την αξιοπιστία τους, ειδικά στον ιατρικό τομέα στον οποίο οι αποφάσεις είναι Ϲητήματα Ϲωής ή ϑανάτου. Αυτό το πρόβλημα εμπιστοσύνης προσπαθεί να λύσει η επεξηγησιμότητα, προσπαθώντας να αιτιολογήσει στον χρήστη με ποιόν τρόπο ένα δίκτυο κατέληξε σε μια συγκεκριμένη απόφαση. Στη μελέτη μας εξετάζουμε διαφορετικά τέτοια δίκτυα και αξιολογούμε τα αποτελέσμα- τα τους στην ταξινόμηση ακτινογραφιών ϑώρακος ως ακτινογραφίες ασθενούς κορονοϊού ή υγιούς ατόμου. Παράλληλα επιχειρημούμε να κατανοήσουμε το πως κατέληξε το δίκτυο στην συγκεκριμένη απόφαση, μέσω διαφορετικών μεθόδων επεξηγησιμότητας. Στόχος επο- μένως της διπλωματικής είναι η σύγκριση μεταξύ των διαφορετικών δικτύων και μεθόδων επεξηγησιμοτητας .	el
heal.abstract	Artificial intelligence has penetrated many areas of the scientific world and consequently also people’s lives in general. As a branch it has a lot to offer in the medical field as well, offering fast and accurate results to different problems. The results are obtained using deep neural networks, which have now developed to such an extent that their size and complexity make human supervision impractical and therefore problematic for users who do not trust their credibility, especially in the medical field where decisions are matters of life and death. Explainability tries to solve this trust problem by trying to justify to the user how a network arrived at a particular decision. In our study, we examine different such networks and evaluate their results in classifying chest X-rays as those of a coronavirus patient or a healthy individual. At the same time, we attempt to understand how the network arrived at this particular decision, through different explainability methods. The goal of the thesis is therefore the comparison between the different networks and methods of explainability.	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	293 σ.	el
heal.fullTextAvailability	false