Τμηματοποίηση μεσοθωρακικών και κοιλιακών λεμφαδένων

Κατσιγιάννης, Βασίλειος; Katsigiannis, Vasileios

dc.contributor.author	Κατσιγιάννης, Βασίλειος	el
dc.contributor.author	Katsigiannis, Vasileios	en
dc.date.accessioned	2024-05-27T10:32:51Z
dc.date.available	2024-05-27T10:32:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59495
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27191
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Διάγνωση με Βοήθεια Υπολογιστή	el
dc.subject	Τμηματοποίηση Ιατρικής Εικόνας	el
dc.subject	Ταξινόμηση Ιατρικής Εικόνας	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Λεμφαδένας	el
dc.subject	Computer Aided Diagnosis	en
dc.subject	Lymph Node	en
dc.subject	Medical Image Segmentation	en
dc.subject	Medical Image Classification	en
dc.subject	Deep Learning	en
dc.title	Τμηματοποίηση μεσοθωρακικών και κοιλιακών λεμφαδένων	el
dc.title	Mediastinal and Abdominal Lymph Node Segmentation	en
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-12
heal.abstract	Η άνοδος της τεχνολογίας και της Τεχνητής Νοημοσύνης (AI) έχουν οδηγήσει στην ανάπτυξη διαγνωστικών συστημάτων με την βοήθεια υπολογιστή (Computer-Aided Diagnosis - CAD), τα οποία αποσκοπούν στην υποβοήθηση των ακτινολόγων και του ιατρικού προσωπικού για την επίτευξη ακριβέστερων διαγνώσεων σε εξετάσεις ιατρικών απεικονίσεων, μειώνοντας παράλληλα τον χρόνο και το κόστος που απαιτείται. Τα συστήματα αυτά είναι χρήσιμα σε πολλές εφαρμογές επεξεργασίας ιατρικών απεικονίσεων, όπως η τμηματοποίηση, δηλαδή ο εντοπισμός περιοχών ενδιαφέροντος, και η ταξινόμηση παθολογιών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματος CAD για την τμηματοποίηση διογκωμένων λεμφαδένων του μεσοθωρακίου και της κοιλιάς. Η λεμφαδενοπάθεια είναι η κατάσταση τις διόγκωσης των λεμφαδένων, και μπορεί να αποτελέσει ένδειξη για διάφορες ασθένειες, από κοινό κρυολόγημα και γρίπη μέχρι καρκίνο στους λεμφαδένες. Ωστόσο, η τμηματοποίηση των λεμφαδένων μπορεί να αποτελέσει πρόκληση, καθώς ποικίλουν σε μέγεθος και σχήμα, κατανέμονται σε όλο το σώμα, και δεν διακρίνονται φανερά από άλλες δομές του σώματος μέσω ιατρικών απεικονίσεων. Το πρόβλημα προσεγγίζεται σε δύο στάδια. Αρχικά, χρησιμοποιείται το nnU-Net για την δημιουργία πιθανών λεμφαδένων, το οποίο οδηγεί σε υψηλό ποσοστό λανθασμένων προβλέψεων, ιδίως σε περιοχές του σώματος όπου παρατηρούνται πολύπλοκες δομές. Στην συνέχεια, χρησιμοποιείται ο ταξινομητής βαθιάς μάθησης DenseNet για την μείωση των λανθασμένων τμηματοποιήσεων. Η εκπαίδευση και η αξιολόγηση του μοντέλου πραγματοποιούνται σε δύο δημόσια σύνολα δεδομένων από την συλλογή CT Lymph Nodes του Cancer Imaging Archive που περιέχει αξονικές τομογραφίες του μεσοθωρακίου και της κοιλιάς στις οποίες οι θέσεις των LN έχουν επισημανθεί από ακτινολόγους. Το τελικό μοντέλο επιτυγχάνει Dice Similarity Coefficient ίσο με 60%, με περίπου 15 λανθασμένες τμηματοποιήσεις ανά ασθενή, και εντοπίζοντας το 60% των λεμφαδένων. Παρόλο που το στάδιο μείωσης λανθασμένων τμηματοποιήσεων μπορεί να οδηγήσει σε απομάκρυνση πραγματικών λεμφαδένων, η συνολική απόδοση του μοντέλου βελτιώνεται σημαντικά, με ποσοστιαία αύξηση της τάξης του 50% με 150% σε ορισμένα μετρητικά αξιολόγησης.	el
heal.abstract	With the rise of technology and Artificial Intelligence, there is a development in Computer-Aided Diagnostic (CAD) Systems, which aim to assist radiologists and medical professionals in making more accurate evaluations of imaging examinations, reducing the time and cost of diagnoses. These systems are useful for various medical image processing tasks, such as segmentation, i.e. identifying regions of interest in medical images, and classification of pathologies. The purpose of the present diploma thesis is the development of a CAD system for segmenting enlarged mediastinal and abdominal Lymph Nodes (LNs). Lymphadenopathy is the condition of swollen LNs, and it can be an indicator of various diseases, from the common cold and flu to LN cancers. However, LN segmentation can be a challenging task, since they vary in size and shape, are distributed throughout the body, and have a similar intensity to surrounding parts. The task is approached with a two-stage model. First, nnU-Net is used for generating the locations of candidate LNs. This step leads to high false segmentations, especially in regions where there are complex background structures. Thus, the second stage aims to reduce the number of false segmentations, with a DenseNet deep learning classifier. The model training and validation are performed on two public datasets, obtained from the CT Lymph Nodes collection of The Cancer Imaging Archive containing CT scans of the mediastinum and abdomen in which LN positions are marked by radiologists. The final model leads to a Dice Similarity Coefficient of 60%, with about 15 false positive segmentations per patient and a Detection Rate of 60%. Even though the reduction of the false LN segmentation stage might end up removing some actual LNs, it significantly enhances the model’s performance, with a percentage increase from 50% to 150% for most of the metrics.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.advisorName	Matsopoulos, Georgios	en
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Matsopoulos, Georgios	en
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.committeeMemberName	Tsanakas, Panayiotis	en
heal.committeeMemberName	Panagopoulos, Athanasios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false
heal.fullTextAvailability	false