Ανάπτυξη και Χρήση Μεθοδολογιών Πολλαπλής Διακριτικής Ανάλυσης και Ασαφούς Λογικής για την Υποβοηθούμενη Διάγνωση του Καρκίνου του Μαστού από Εικόνες Δυναμικής Αντίθεσης Ενισχυμένης Απεικόνισης Μαγνητικού Συντονισμού (DCE-MRI)

Τζαλαβρά, Αλεξία; Τζαλαβρά, Αλεξία

dc.contributor.author	Τζαλαβρά, Αλεξία	el
dc.contributor.author	Τζαλαβρά, Αλεξία	en
dc.date.accessioned	2024-01-26T11:16:06Z
dc.date.available	2024-01-26T11:16:06Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58691
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26387
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	Computer aided diagnosis	en
dc.subject	Dynamic Contrast Enhanced Magnetic Resonance Imaging	el
dc.subject	Multiscale analysis	en
dc.subject	Adaptive Neuro Fuzzy Inference System	el
dc.subject	Particle Swarm Optimization	el
dc.subject	Πολυκλιμακωτή ανάλυση	el
dc.subject	Βελτιστοποίηση Σμήνους Σωματιδίων	el
dc.subject	Προσαρμοστικό Σύστημα Νευρο-ασαφούς	el
dc.subject	Δυναμική Μαγνητική Τομογραφία Ενισχυμένης Αντίθεσης	el
dc.subject	υποβοηθούμενη διάγνωση, Δυναμική Μαγνητική Τομογραφία Ενισχυμένης Αντίθεσης (Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI)), πολυκλιμακωτή ανάλυση, Συμπερασμού (ANFIS), (PSO), χαρακτηριστικά Περίληψη 7 υφής, εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών, ταξινόμηση, καλοήθης/κακοήθης όγκος
dc.title	Ανάπτυξη και Χρήση Μεθοδολογιών Πολλαπλής Διακριτικής Ανάλυσης και Ασαφούς Λογικής για την Υποβοηθούμενη Διάγνωση του Καρκίνου του Μαστού από Εικόνες Δυναμικής Αντίθεσης Ενισχυμένης Απεικόνισης Μαγνητικού Συντονισμού (DCE-MRI)	el
heal.type	doctoralThesis
heal.secondaryTitle	Implementation and use of multiresolution analysis and fuzzy logic techniques for the computer aided diagnosis of breast cancer through Dynamic Contrast - Enhanced Magnetic Resonance Imaging(DCE-MRI)	en
heal.classification	Yποβοηθούμενη διάγνωση	el
heal.classification	Δυναμική Μαγνητική Τομογραφία Ενισχυμένης Αντίθεσης	el
heal.classification	Pολυκλιμακωτή ανάλυση	el
heal.classification	Προσαρμοστικό Σύστημα Νευρο-ασαφούς Συμπερασμού	el
heal.classification	Βελτιστοποίηση Σμήνους Σωματιδίων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-09-14
heal.abstract	Στην παρούσα διατριβή σχεδιάζονται, αναπτύσσονται και αξιολογούνται μεθοδολογίες πολλαπλής διακριτικής ανάλυσης και ασαφούς λογικής για την διάγνωση του καρκίνου του μαστού. Ο καρκίνος του μαστού αποτελεί μια από τις συχνότερες αιτίες θανάτου των γυναικών παγκοσμίως, γεγονός που καθιστά την έγκυρη διάγνωση της νόσου μια τις μεγαλύτερες προκλήσεις στον τομέα της βιοϊατρικής τεχνολογίας. Προς την κατεύθυνση αυτή η δυναμική μαγνητική τομογραφία ενισχυμένης αντίθεσης (Dynamic Contrast Enhanced Magnetic Resonance Imaging, DCE-MRI) προσελκύει στις μέρες μας μεγάλο επιστημονικό ενδιαφέρον καθώς αποτελεί μια διαγνωστική μέθοδο με μεγάλη ευαισθησία που επιτρέπει τη μελέτη της μορφολογίας των βλαβών του ιστού. Αρχικά μελετάται η προ-επεξεργασία των εικόνων δυναμικής μαγνητικής τομογραφίας ενισχυμένης αντίθεσης, στοχεύοντας στη βελτίωση της ποιότητάς τους. Σαν μέρος της προ-επεξεργασίας των εικόνων, μελετάται η κατάτμηση των όγκων από τις αρχικές εικόνες με την βοήθεια εξειδικευμένου ακτινολόγου μαστού. Στόχος είναι ο εντοπισμός σημαντικών ανατομικών δομών του μαστού καθώς και η απομόνωση των περιοχών ενδιαφέροντος. Στην συνέχεια αναπτύσσονται μεθοδολογίες ανάλυσης πολλαπλής διακριτικής ικανότητας προκειμένου να αναδειχτούν τα χαρακτηριστικά των οριοθετημένων περιοχών (όγκων). Εξάγονται χαρακτηριστικά υφής τα οποία είναι σημαντικά για την διάγνωση του καρκίνου του μαστού. Ακολουθεί η μελέτη της επιλογής των περισσότερο εύρωστων χαρακτηριστικών για την περιγραφή των οριοθετημένων όγκων. Στην συνέχεια αναπτύσσεται ένας υβριδικός ταξινομητής, ο οποίος συνδυάζει χαρακτηριστικά του Προσαρμοστικού Συστήματος Νευρο-ασαφούς Συμπερασμού (ANFIS) με χαρακτηριστικά του αλγορίθμου Βελτιστοποίησης Σμήνους Σωματιδίων (PSO). Στόχο αποτελεί η μεγιστοποίηση της ακρίβειας κατά τον αυτόματο διαχωρισμό μεταξύ καλοήθων και κακοήθων ευρημάτων. Παρουσιάζεται επίσης η συγκριτική αξιολόγηση των προτεινόμενων μεθοδολογιών ανάλυσης εικόνων και ταξινόμησης ως προς την αποτελεσματικότητα τους στην ακρίβεια διάκρισης καλοήθων και κακοήθων όγκων σε συνθήκες κλινικής πρακτικής. Πιο συγκεκριμένα, οι μελετώμενες μεθοδολογίες αξιολογούνται σε πραγματικά δεδομένα ασθενών που χρησιμοποιήθηκαν για ερευνητικούς σκοπούς. Συνολικά, χρησιμοποιήθηκαν εικόνες δυναμικής μαγνητικής τομογραφίας ενισχυμένης αντίθεσης από 44 ασθενείς (23 με κακοήθεις όγκους και 21 με καλοήθεις) που παραχωρήθηκαν από το τμήμα Ακτινολογίας της Ιατρικής σχολής του Πανεπιστημίου της Πενσυλβάνια των Η.Π.Α.. Τα εξαγόμενα χαρακτηριστικά με κάθε μεθοδολογία εισέρχονται σε μια σειρά γνωστών ταξινομητών. Αποδεικνύεται ότι o στατικός μετασχηματισμός κυματιδίου (Stationary Wavelet Transform – SWT) τριών επιπέδων με την sym9 ως συνάρτηση μητρικού κυματιδίου υπερέχει (με ακρίβεια ταξινόμησης 91%) έναντι του διακριτού μετασχηματισμού κυματιδίου (Discrete Wavelet Transform – DWT) τριών επιπέδων και συνάρτηση κυματιδίου db4 ως προς την ακρίβεια ταξινόμησης των όγκων στο μαστό όταν τα εξαξόμενα χαρακτηριστικά υφής τροφοδοτούν έναν Ταξινοµητή Γραµµικής Διακριτικής Ανάλυσης με διασταυρωμένη επικύρωση Leave One Out. Επιπρόσθετα, ο ταχύς διακριτός μετασχηματισμός καμπύλης (FDCT) τεσσάρων επιπέδων επιτυγχάνεται την μέγιστη ακρίβεια ταξινόμησης (93.18 %) όταν τα εξαγόμενα χαρακτηριστικά τροφοδοτούν τον ίδιο ταξινομητή. Παράλληλα αξιολογείται η ακρίβεια ταξινόμησης του υβριδικού ταξινομητή που υλοποιήθηκε συγκριτικά με γνωστούς ταξινομητές. Οι ταξινομητές που εξετάζονται βασίζονται σε σύνολα νευρωνικών δικτύων εκπαιδευμένα με τη μέθοδο bagging, σύνολα νευρωνικών δικτύων πρόσθιας τροφοδότησης διαφορετικού αριθμού κρυμμένων νευρώνων και επιπέδων, ταξινομητές βασιζόμενους στην δυαδική λογιστική παλινδρόμηση, στην Μπεϋζιανή προσέγγιση και τα δένδρα απόφασης. Αποδεικνύεται ότι ο προτεινόμενος υβριδικός ταξινομητής όταν τροφοδείται με χαρακτηριστικά υφής που εξάγονται με τον FDCT με τέσσερα επίπεδα ανάλυσης επιτυγχάνει τα καλύτερα αποτελέσματα ως προς την ακρίβεια ταξινόμησης (94 %) καθώς και το εμβαδόν κάτω από την καμπύλη Receiver Operating Characteristic (ROC).	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Γολεμάτη, Σπυρέττα	el
heal.committeeMemberName	Χουβαρδά, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	163 σ.	el
heal.fullTextAvailability	false