Αντιστοίχιση ιατρικών εικόνων PET/CT αξιοποιώντας τις σύγχρονες μεθόδους deep learning

Γκιρκίζα, Μυρτώ Άννα; Gkirkiza, Myrto Anna

dc.contributor.author	Γκιρκίζα, Μυρτώ Άννα	el
dc.contributor.author	Gkirkiza, Myrto Anna	en
dc.date.accessioned	2024-07-08T11:44:31Z
dc.date.available	2024-07-08T11:44:31Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59826
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27522
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
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	Ευθυγράμμιση ιατρικών εικόνων	el
dc.subject	Deep learning	en
dc.subject	Βαθιά μάθηση	el
dc.subject	Medical image registration	en
dc.title	Αντιστοίχιση ιατρικών εικόνων PET/CT αξιοποιώντας τις σύγχρονες μεθόδους deep learning	el
dc.title	Medical image PET/CT registration using modern methods of deep learning	en
heal.type	masterThesis
heal.classification	Βαθιά μάθηση	el
heal.classification	Deep learning	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03
heal.abstract	Η ευθυγράμμιση εικόνας (registration), γνωστή και ως σύντηξη εικόνας (image fusion) ή αντιστοίχιση εικόνας, είναι η διαδικασία ευθυγράμμισης δύο ή περισσότερων εικόνων με βάση την απεικόνιση τους. Η ευθυγράμμιση ιατρικής εικόνας επιδιώκει να βρει μια βέλτιστη χωρική μεταμόρφωση που αντιστοιχίζει καλύτερα τις υποκείμενες ανατομικές δομές. Χρησιμοποιείται σε πολλές κλινικές εφαρμογές όπως καθοδήγηση εικόνας (image guidance), παρακολούθηση κίνησης (motion tracking), κατάτμηση (segmentation), ανακατασκευή εικόνας (image reconstruc tion), σύγκριση της κλινικής κατάστασης και ούτω καθεξής. Οι τυπικές μέθοδοι ευθυγράμμισης βελτιστοποιούν μια αντικειμενική συνάρτηση ανεξάρτητα για κάθε ζεύγος εικόνων, η οποία και μπορεί να είναι χρονοβόρα για μεγάλα δεδομένα. Οι σύγχρονες, όμως, μέθοδοι ευθυγράμμισης που βασίζονται στην Βαθιά Μάθηση πετυχαίνουν ανάλογα ή και καλύτερα αποτελέσματα από τις μεθόδους βελτιστοποίησης που έχουν αναπτυχθεί για τον ίδιο σκοπό. Εφόσον, μάλιστα, έχουν εκπαιδευτεί εκ των προτέρων, κατά το στάδιο της εφαρμογής χρειάζονται μόνο τον υπολογισμό της εξόδου με δεδομένα τα βάρη του δικτύου και την είσοδο, πράγμα που απαιτεί σημαντικά λιγότερο χρόνο. Ο στόχος αυτής της εργασίας είναι η αντιστοίχιση ιατρικών εικόνων PET/CT αξιοποιώντας τόσο τις σύγχρονες μεθόδους τής Βαθιάς Μάθησης (Deep Learning), όσο και τις τυπικές μεθόδους ευθυγράμμισης. Η αντιστοίχιση αυτή έχει ως σκοπό την διευκόλυνση της διάγνωσης του ασθενούς με μεταστατικό μελάνωμα μέσω της αξιοποίησης και τον δύο μέσων απεικόνισης στον εντοπισμό των καρκινικών όγκων. Σκοπός, λοιπόν της διπλωματικής είναι η δημιουργία μίας μεθοδολογίας βασισμένης στη Βαθιά Μάθηση για την ευθυγράμμιση ζευγών εικόνων PET/CT του ίδιου ασθενούς κι η σύγκρισή της με τις κλασικές μεθόδους ευθυγράμμισης.	el
heal.abstract	Image registration, also known as image fusion or image matching, is the process of aligning two or more im ages based on their representation. Medical image registration aims to find an optimal spatial transformation that best matches the underlying anatomical structures. It is used in many clinical applications such as image guidance, motion tracking, segmentation, image reconstruction, clinical status comparison, and so on. Typi cal registration methods optimize an objective function independently for each pair of images, which can be time-consuming for large data sets. However, modern registration methods based on Deep Learning achieve similar or better results than optimization methods developed for the same purpose. Once pretrained, during the application phase, they only require the computation of the output with given network weights and in put, which significantly reduces time. The goal of this thesis is the registration of medical PET/CT images utilizing both modern Deep Learning methods and traditional registration methods. This registration aims to facilitate the diagnosis of patients with metastatic melanoma through the use of both imaging modalities in locating cancerous tumors. Therefore, the aim of the thesis is to create a methodology based on Deep Learning for the alignment of PET/CT image pairs of the same patient and compare it with classical registration methods.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false