Ανάπτυξη μεθοδολογιών βαθιάς μάθησης για την υποβοηθούμενη διάγνωση καρκίνου του μαστού

Μαρίνος, Δημήτριος; Marinos, Dimitrios

dc.contributor.author	Μαρίνος, Δημήτριος	el
dc.contributor.author	Marinos, Dimitrios	en
dc.date.accessioned	2024-05-08T07:52:23Z
dc.date.available	2024-05-08T07:52:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59314
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27010
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	Καρκίνος του μαστού	el
dc.subject	Σημασιολογική κατάτμηση	el
dc.subject	U-Net	el
dc.subject	Μαγνητική τομογραφία	el
dc.title	Ανάπτυξη μεθοδολογιών βαθιάς μάθησης για την υποβοηθούμενη διάγνωση καρκίνου του μαστού	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-04-12
heal.abstract	Η τεχνητή νοημοσύνη παρουσιάζει σημαντικές δυνατότητες στον τομέα της υγείας και ειδικά στην επεξεργασία και ανάλυση ιατρικών εικόνων, με στόχο τη βελτίωση της διάγνωσης και της θεραπείας ασθενειών. Ο καρκίνος του μαστού αποτελεί μία από τις συχνότερες μορφές καρκίνου στο γυναικείο πληθυσμό στις χώρες του δυτικού κόσμου. Η τεχνική της απεικόνισης μαγνητικού συντονισμού (MRI) αποτελεί μία μέθοδο απόκτησης εικόνων των μαστών υψηλής ανάλυσης. Για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης με στόχο τη διάγνωση όγκων στους μαστούς και την παραγωγή δεδομένων κατάλληλα προς εκπαίδευση των μοντέλων αυτών, απαιτείται η χειροκίνητη κατάτμηση των εικόνων σε επίπεδο εικονοστοιχείων από εξειδικευμένους γιατρούς. Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη ενός μοντέλου για την υποβοήθηση των γιατρών στη διάγνωση όγκων στους μαστούς. Για την εκπόνηση της διπλωματικής εργασίας χρησιμοποιήθηκαν μαγνητικές τομογραφίες 76 ατόμων από το "The Cancer Imaging Archive" και με τη χρήση αλγορίθμων τεχνητής νοημοσύνης και προεπεξεργασίας σε κώδικα γλώσσας προγραμματισμού Python τα δεδομένα αυτά χρησιμοποιήθηκαν για την εκπαίδευση ενός μοντέλου U-Net. Η αξιολόγηση του μοντέλου ως προς τη σημασιολογική κατάτμηση των εικόνων, έδειξε ότι επιτυγχάνει σημαντικά αποτελέσματα στη μετρική F1 score (Dice) 69%. Η εργασία αυτή έχοντας πιο ερευνητικό χαρακτήρα αναδεικνύει τον τρόπο με τον οποίο η τεχνητή νοημοσύνη μπορεί να συμβάλει στην αυτόματη διάγνωση και ανίχνευση των όγκων στους μαστούς, βοηθώντας έτσι τους ιατρούς να λάβουν πιο γρήγορες και αξιόπιστες αποφάσεις για τη θεραπεία των ασθενών.	el
heal.advisorName	Ματσόπουλος, Γιώργος	el
heal.committeeMemberName	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	76 σ.	el
heal.fullTextAvailability	false