Σημασιολογική κατάτμηση μεταστατικού μελανώματος σε δεδομένα
PET/CT

Μάρκος, Ευάγγελος; Markos, Evangelos

dc.contributor.author	Μάρκος, Ευάγγελος	el
dc.contributor.author	Markos, Evangelos	en
dc.date.accessioned	2024-01-26T10:42:13Z
dc.date.available	2024-01-26T10:42:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58685
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26381
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	Δίκτυο-υ	el
dc.subject	Σημασιολογική κατάτμηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	ΤΕΠ/Αξονική	el
dc.subject	Μεταστατικό Μελάνωμα	el
dc.subject	U-net	en
dc.subject	Semantic Segmentation	en
dc.subject	Deep Learning	en
dc.subject	PET/CT	en
dc.subject	Metastatic Melanoma	en
dc.title	Σημασιολογική κατάτμηση μεταστατικού μελανώματος σε δεδομένα PET/CT	el
dc.title	Semantic segmentation of metastatic melanoma in PET/CT images	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-09-15
heal.abstract	Η σημασιολογική κατάτμηση αποτελεί έναν κλάδο της επιστήμης της όρασης των υπολογιστών με σκοπό την αυτόματη εξαγωγή κρίσιμων πληροφοριών από εικόνες. Σε αντιδιαστολή με την κατηγοριοποίηση των εικόνων, η σημασιολογική κατάτμηση κατηγοριοποιεί κάθε εικονοστοιχείο της εικόνας, προσφέροντας με αυτόν τον τρόπο πρωτοφανείς δυνατότητες αυτόματης χαρτογράφησης σε αυτές. Οι εφαρμογές εμφανίζονται σε πολλούς κλάδους και ιδιαίτερα σε αυτόν της ιατρικής και συγκεκριμένα της ιατρικής απεικόνισης. Η εξέλιξη των ιατρικών απεικονιστικών συστημάτων τα τελευταία χρόνια έχει δημιουργήσει τεχνικές οι οποίες αποτελούν πλέον αναπόσπαστο κομμάτι της διάγνωσης και της παρακολούθησης πολλών ασθενειών αλλά και την ανάγκη παρακολούθησης μεγάλου όγκου πληροφορίας που δημιουργείται από αυτές. Οι πρόσφατες εξελίξεις της τεχνητής νοημοσύνης και συγκεκριμένα της βαθιάς μάθησης, προσφέρουν εργαλεία που μπορεί να αποβούν χρήσιμα στην ανάγκη αυτή. Η σημασιολογική κατάτμηση αποτελεί ένα τέτοιο παράδειγμα και μπορεί να εφαρμοστεί σε ιατρικές εικόνες για την αυτόματη τμηματοποίηση κρίσιμων σημείων τους. Σε αυτήν την εργασία θα γίνει μια επίδειξη αυτής της τεχνικής, όπου θα εφαρμοστoύν αρχιτεκτονικές και μεθοδολογίες νευρωνικών δικτύων όπως το U-net, η "προσοχή" και το ensemble learning, για να επιτευχθεί αυτόματη κατάτμηση καρκινικών περιοχών από μεταστατικό μελάνωμα σε εικόνες PET/CT.	el
heal.abstract	Semantic segmentation is a field of computer vision aiming at the automated extraction of crucial information from images. In contrast to the classification of the images, semantic segmentation classifies each pixel of an image, hence offering unique prospects for their analysis. The applications can be found in many fields, especially on the one of medical image analysis. The development of medical imaging systems has resulted in techniques that are now inseparable from the diagnosis and monitoring of many diseases, but also in the need for the analysis of the great number of data that come out of them. The recent advent of artificial intelligence, and specifically deep learning, pose this field a good candidate in the aid of that need. Semantic segmentation, which stems from deep learning, can be implemented in medical images for the automatic segmentation of crucial parts of them. This work is a display of this technique, making use of different specialized neural network architectures and methodologies such as U-net, "attention" and ensemble learning, to automatically segment cancer regions of metastatic melanoma in PET/CT images.	en
heal.advisorName	Ματσόπουλος, Γιώργος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false