Αυτοματοποιημένη Διάγνωση και Πρόγνωση Παθολογιών μέσω Απεικονιστικών Εξετάσεων: Προσεγγίσεις Μηχανικής Μάθησης στο Οστεοσάρκωμα, στην Αλλεργική Δερματίτιδα Εξ Επαφής, και στο Αδενοκαρκίνωμα του Παγκρέατος

Βεζάκης, Ιωάννης; Vezakis, Ioannis

dc.contributor.author	Βεζάκης, Ιωάννης	el
dc.contributor.author	Vezakis, Ioannis	en
dc.date.accessioned	2024-02-09T07:28:59Z
dc.date.available	2024-02-09T07:28:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58807
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26503
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Οστεοσάρκωμα	el
dc.subject	Αλλεργική δερματίτιδα	el
dc.subject	Αδενοκαρκίνωμα του παγκρέατος	el
dc.subject	Ιατρικές εικόνες	el
dc.subject	Machine learning	en
dc.subject	Osteosarcoma	en
dc.subject	Allergic dermatitis	en
dc.subject	Pancreatic adenocarcinoma	en
dc.subject	Medical imaging	en
dc.title	Αυτοματοποιημένη Διάγνωση και Πρόγνωση Παθολογιών μέσω Απεικονιστικών Εξετάσεων: Προσεγγίσεις Μηχανικής Μάθησης στο Οστεοσάρκωμα, στην Αλλεργική Δερματίτιδα Εξ Επαφής, και στο Αδενοκαρκίνωμα του Παγκρέατος	el
dc.title	Automated Diagnosis and Prognosis of Pathologies in Medical Imaging: Machine Learning Approaches for Osteosarcoma, Allergic Contact Dermatitis, and Pancreatic Adenocarcinoma	en
heal.type	doctoralThesis
heal.classification	Βιοϊατρική μηχανική	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Biomedical engineering	en
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-21
heal.abstract	Σε μια εποχή που χαρακτηρίζεται από πρωτοφανείς εξελίξεις στην τεχνολογία και την υγειονομική περίθαλψη, η συνεργασία της μηχανικής μάθησης και της ιατρικής αποτελεί την πλέον σύγχρονη πρόκληση για το επόμενο μεγάλο βήμα που θα φέρει την επανάσταση στον τρόπο με τον οποίο πραγματοποιείται η περίθαλψη των ασθενών. Στο επίκεντρο αυτής της τομής βρίσκεται ο τομέας της ανάλυσης ιατρικών εικόνων, όπου η συνεργασία της υπολογιστικής ικανότητας και της κλινικής εμπειρογνωμοσύνης κρύβει τεράστιες δυνατότητες. Καθώς η ζήτηση και οι τρέχουσες ερευνητικές προσπάθειες επικεντρώνονται σε ολοένα πιο ακριβή και αποτελεσματικά διαγνωστικά και προγνωστικά εργαλεία, η παρούσα διδακτορική διατριβή προσπαθεί να πρωτοπορήσει σε νέες προσεγγίσεις που αξιοποιούν τη δύναμη της μηχανικής μάθησης με σκοπό τη διάγνωση και την πρόγνωση παθολογιών που εμφανίζονται σε τρεις διαφορετικές απεικονιστικές εξετάσεις. Πιο συγκεκριμένα, η έρευνα εστιάζει στην ανάλυση ιστολογικών εικόνων με παρουσία οστεοσαρκώματος, πολυφασματικών δερματοσκοπικών εικόνων με παρουσία αλλεργικής δερματίτιδας εξ επαφής, και προεγχειρητικών αξονικών τομογραφιών ασθενών με αδενοκαρκίνωμα του παγκρέατος. Στην πρώτη μελέτη, η έρευνα επικεντρώνεται στην διάγνωση ιστολογικών εικόνων οστεοσαρκώματος. Συγκεκριμένα, υιοθετείται μια συγκριτική μεθοδολογική προσέγγιση για την αξιολόγηση σύγχρονων βαθιών νευρωνικών δικτύων τα οποία εκπαιδεύτηκαν σε ένα δημόσια διαθέσιμο σύνολο δεδομένων, με σκοπό την αυτοματοποιημένη ανίχνευση βιώσιμων και νεκρωτικών όγκων, καθώς και υγιούς ιστού. Η έρευνα εστιάζει στη σύγκριση διαφορετικών αρχιτεκτονικών δικτύων, του βάθους τους, καθώς και των διαστάσεων των εικόνων εισόδου, υπογραμμίζοντας την σημασία της προσεκτικής επιλογής τους, και πετυχαίνοντας βέλτιστη συνολική ακρίβεια 91% με τη χρήση του δικτύου MobileNetV2 με μέγεθος εικόνας εισόδου 256x256 εικονοστοιχεία. Η δεύτερη μελέτη επικεντρώνεται στην ανάλυση δερματοσκοπικών εικόνων επιδερμιδικών δοκιμασιών επιθέματος με σκοπό τη διάγνωση Αλλεργικής Δερματίτιδας εξ Επαφής και τον εντοπισμό των υπεύθυνων αλλεργιογόνων, χρησιμοποιώντας μοντέλα βαθιάς μάθησης, διαφορετικές τεχνικές προεπεξεργασίας και εικονομορφές. Προτείνεται και αξιολογείται μια προσέγγιση βαθιάς μάθησης που χρησιμοποιεί μια τεχνική προεπεξεργασίας για την ανάδειξη περιοχών ενδιαφέροντος διατηρώντας παράλληλα τη συνολική πληροφορία των εικόνων. Επιπλέον, αξιολογείται η χρησιμότητα διαφορετικών εικονομορφών, καθώς και του συνδυασμού τους, με σκοπό την επίτευξη της βέλτιστης διαγνωστικής ακρίβειας. Τα αποτελέσματα της μελέτης έδειξαν πως ο συνδυασμός της έγχρωμης εικόνας και του ερυθήματος μπορεί να επιφέρει τα βέλτιστα αποτελέσματα, πετυχαίνοντας ακρίβεια μεγαλύτερη του 91% στην ανίχνευση των αλλεργιογόνων στα οποία εμφάνισε ευαισθησία ο ασθενής. Η έρευνα αυτή αποτελεί μια από τις πρώτες ερευνητικές προσπάθειες για την αυτοματοποιημένη διάγνωση, ανοίγοντας έτσι τον δρόμο για για την ανάπτυξη προηγμένων εργαλείων και τεχνικών που θα βοηθήσουν στην ταχύτερη και ακριβέστερη διάγνωση, μειώνοντας ταυτόχρονα τον φόρτο εργασίας των κλινικών ιατρών. Στην τρίτη μελέτη, διερευνάται μιας πλήρως αυτοματοποιημένη προσέγγιση για την πρόγνωση του αδενοκαρκινώματος του παγκρέατος, με τη χρήση προεγχειρητικών αξονικών τομογραφιών ασθενών που πρόκειται να υποβληθούν σε παγκρεατεκτομή. Συγκεκριμένα, προτείνεται η χρήση τεχνικών βαθιάς μάθησης για την κατάτμηση του όγκου και του παγκρέατος, καθώς και η εξαγωγή ραδιομικών και κλινικών χαρακτηριστικών για τον υπολογισμό της συνολικής επιβίωσης με τη χρήση κλασικών τεχνικών μηχανικής μάθησης. Η προτεινόμενη προσέγγιση πέτυχε δείκτη συμφωνίας του Harrell (C-Index) 0,731, ξεπερνώντας τις υπάρχουσες μεθόδους που βασίζονται σε κλινικές μεταβλητές, όπως η σταδιοποίηση κατά ΤΝΜ, αναδεικνύοντας παράλληλα την κρίσιμη σημασία συγκεκριμένων ραδιομικών χαρακτηριστικών, ιδίως του LAHGLE.	el
heal.abstract	In an era characterized by groundbreaking advancements in technology and healthcare, the convergence of machine learning and medicine has emerged as a contemporary frontier poised to reshape the landscape of healthcare. Central to this convergence is the domain of medical image analysis, where the synergy between computational prowess and clinical expertise holds immense promise. Amid escalating demands for precise and effective diagnostic and prognostic tools, this doctoral thesis endeavors to lead the way with novel approaches harnessing the potential of machine learning to diagnose and prognose pathologies across three distinct imaging modalities. Specifically, the research focuses on the analysis of histological images featuring osteosarcoma, multispectral dermoscopy images indicative of allergic contact dermatitis, and preoperative CT scans of patients with pancreatic ductal adenocarcinoma. In the first study, the research delves into the diagnosis of histological osteosarcoma images. A comparative methodological approach is adopted to evaluate modern deep neural networks, trained on a publicly available dataset, for the automated detection of viable and necrotic tumors, as well as healthy tissue. The research emphasizes the importance of careful selection of different network architectures, their depth, and the dimensions of the input images, achieving optimal overall accuracy of 91% using the MobileNetV2 network and an input image size of 256×256 pixels. The second study focuses on the diagnosis of Allergic Contact Dermatitis (ACD) using deep learning models, different pre-processing schemes and image modalities. A deep learning approach is employed, incorporating a pre-processing technique to highlight regions of interest while preserving the overall information of the images. Additionally, the study explores the utility of different image modalities and the combination thereof to achieve optimal diagnostic accuracy. The results showed that the combination of the color and redness image modalities produce optimal results, achieving an accuracy greater than 91% in detecting the allergens to which the patient manifested sensitivity to. This research represents one of the earliest efforts in automated diagnosis of ACD, paving the way for the development of advanced tools and techniques that expedite diagnosis while reducing clinicians’ workload. In the third study, a fully automated approach is proposed for the prognostication of pancreatic adenocarcinoma, utilizing preoperative CT scans of patients undergoing pancreatectomy. This approach entails the use of deep learning techniques for tumor and pancreas segmentation, as well as the extraction of radiomics and clinical features to calculate overall survival using traditional machine learning techniques. The proposed approach achieved a Harrell’s Concordance Index (C-Index) of 0.731, outperforming existing methods based on clinical parameters, such as TNM staging, while highlighting the importance of specific radiomics features, especially the LAHGLE.	en
heal.advisorName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Κωνσταντουλάκης, Μανούσος	el
heal.committeeMemberName	Χριστοφόρου, Ευάγγελος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.committeeMemberName	Ασβεστάς, Παντελεήμων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.	el
heal.fullTextAvailability	false