Αρχιτεκτονικές βαθιάς μάθησης για τον εντοπισμό και το διαχωρισμό εγκεφαλικών από Η/Μ κύματα σε συνθετικά δεδομένα

Ορφανουδάκης, Φίλιππος Σκόβελεφ; Orfanoudakis, Filippos Skovelef

dc.contributor.author	Ορφανουδάκης, Φίλιππος Σκόβελεφ	el
dc.contributor.author	Orfanoudakis, Filippos Skovelef	en
dc.date.accessioned	2024-04-15T09:51:41Z
dc.date.available	2024-04-15T09:51:41Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59176
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26872
dc.rights	Default License
dc.subject	Εντοπισμός Εγκεφαλικού	el
dc.subject	Ταξινόμηση Εγκεφαλικού	el
dc.subject	FTDT	en
dc.subject	Αυτοκωδικοποιητής	el
dc.subject	Tandem Νευρωνικά Δίκτυα	el
dc.subject	Stroke Classification	en
dc.subject	Stroke Detection	en
dc.subject	FTDT	en
dc.subject	Autoencoder	en
dc.subject	Tandem Networks	en
dc.title	Αρχιτεκτονικές βαθιάς μάθησης για τον εντοπισμό και το διαχωρισμό εγκεφαλικών από Η/Μ κύματα σε συνθετικά δεδομένα	el
heal.type	masterThesis
heal.classification	Machine Learning	en
heal.classification	Medical Research	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-30
heal.abstract	Στο πλαίσιο αυτής της διπλωματικής εργασίας, μελετήθηκε η συμπεριφορά συστημάτων βαθιάς μάθησης με στόχο την ταξινόμηση ηλεκτρομαγνητικών σημάτων σε 2 κατηγορίες: σήματα που προέρχονται από αιμορραγικό εγκεφαλικό, σήματα που προέρχονται από ισχαιμικό εγκεφαλικό. Επίσης γίνεται η κατασκευή ενός συστήματος που είναι ικανό να πραγματοποιήσει imaging μέσω αυτών των σημάτων, δηλαδή να παράξει την διαγνωστική εικόνα του εγκεφάλου με την ακριβή θέση του εγκεφαλικού. Για αυτόν τον σκοπό, χρησιμοποιήθηκε μια συλλογή δεδομένων με 42277 πειράματα από προσομοιώσεις εγκεφαλικών για την ανάπτυξη διαφορετικών μοντέλων αλλά και προσεγγίσεων στα προβλήματα που θέλουμε να εξετάσουμε. Πρώτο βήμα ήταν η κατασκευή της συλλογής που χρησιμοποιήθηκε καθώς δεν υπήρχαν δημόσια δεδομένα, ελεύθερα για χρήση που να ταιριάζουν στις προδιαγραφές μας. Για την επίτευξη αυτού του στόχου αναπτύχθηκε ένας αλγόριθμος προσομοίωσης διάδοσης ηλεκτρομαγνητικού κύματος - Finite-difference time-domain. Στη συνέχεια, χρησιμοποιήθηκαν κατασκευάστηκε ένα μοντέλο ταξινόμησης καθώς και μια αρχιτεκτονική image to image, που στηρίχθηκε στη θεωρία του Autoencoder και του transfer learning. ΄Εγινε κατασκευή και εξέταση πολλαπλών μοντέλων με διαφορετικό πλήθος στρωμάτων και ύστερα πραγματοποιήθηκε διαφορετική μελέτη για την βέλτιστη εκπαίδευση.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.advisorName	Τζούβελη, Παρασκευή	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Τζούβελη, Παρασκευή	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false