Ανάπτυξη μοντέλων βαθιάς μάθησης για την εκτίμηση της επικινδυνότητας αθηρωματικών πλακών σε ασθενείς με καρωτιδική νόσο με χρήση μεθόδων ενεργητικής μάθησης

Βαγγελάτου, Μαριαλένα; Vangelatou or Vagelatos, Marialena

dc.contributor.author	Βαγγελάτου, Μαριαλένα	el
dc.contributor.author	Vangelatou or Vagelatos, Marialena	en
dc.date.accessioned	2025-01-07T12:21:29Z
dc.date.available	2025-01-07T12:21:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60629
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28325
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	Καρωτιδική νόσος	el
dc.subject	Αθηρωµατική πλάκα	el
dc.subject	Ενεργητική μάθηση	el
dc.subject	Μεταφορά μάθησης	el
dc.subject	Προσαρμογή τομέα	el
dc.subject	Domain adaptation	en
dc.subject	Carotid disease	en
dc.subject	Atherosclerotic plaque	en
dc.subject	Active learning	en
dc.subject	Transfer learning	en
dc.title	Ανάπτυξη μοντέλων βαθιάς μάθησης για την εκτίμηση της επικινδυνότητας αθηρωματικών πλακών σε ασθενείς με καρωτιδική νόσο με χρήση μεθόδων ενεργητικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-09
heal.abstract	Η αθηροσκλήρωση αποτελεί την πρωταρχική αιτία των καρδιαγγειακών νοσημάτων, οι οποίες αποτελούν την κύρια αιτία θανάτου και αναπηρίας παγκοσμίως επηρεάζοντας εκατομμύρια ανθρώπους κάθε χρόνο. Οι επιδημιολογικές μελέτες αναδεικνύουν πολλούς παράγοντες κινδύνου για την αθηροσκλήρωση, ενώ η εξασφάλιση κατάλληλης θεραπείας για τους ασθενείς κρίνεται ουσιώδης για την πρόληψη πρόωρων θανάτων και τη διαχείριση των επιπλοκών της ασθένειας. Η χρήση αλγορίθμων μηχανικής μάθησης στην ιατρική επιστήμη έχει τη δυνατότητα να βελτιώσει σημαντικά τη διαδικασία διάγνωσης επιτρέποντας την πρόβλεψη και την ανίχνευση ασθενειών σε πρώιμα στάδια. Ωστόσο, η εκπαίδευση μοντέλων μηχανικής μάθησης στον τομέα αυτό αντιμετωπίζει προκλήσεις λόγω του συχνά περιορισμένου αριθμού δεδομένων. Η παρούσα διπλωματική εργασία έχει ως στόχο την ανάπτυξη και αξιολόγηση μοντέλων βαθιάς μάθησης για την κατηγοριοποίηση ασθενών με καρωτιδική νόσο σε δύο κατηγορίες, υψηλού και χαμηλού κινδύνου, αξιοποιώντας μεθόδους μεταφοράς μάθησης και ενεργητικής μάθησης. Για το σκοπό αυτό αξιοποιούνται προσαρμοσμένα προεκπαιδευμένα μοντέλα βαθιάς μάθησης του ImageNet (ResNet50, InceptionV3, VGG16, Xception) και δύο σύνολα δεδομένων. Το πρώτο σύνολο δεδομένων προέρχεται από τη μελέτη CUBS και απαρτίζεται από 366 υψηλού και 1.012 χαμηλού κινδύνου εικόνες που χρησιμοποιούνται για την εκπαίδευση και αξιολόγηση των αρχικών προβλεπτικών μοντέλων. Το δεύτερο σύνολο δεδομένων παραχωρείται από το ΑΤΤΙΚΟΝ νοσοκομείο και περιλαμβάνει 67 υψηλού και 20 χαμηλού κινδύνου εικόνες καρωτίδων υπερηχογραφημάτων β-σάρωσης. Το σύνολο αυτό αντιμετωπίζεται ως μια δεξαμενή με άγνωστες ετικέτες, από την οποία αντλούνται δείγματα με βάση την εφαρμογή διαφορετικών προσεγγίσεων δειγματοληψίας για την επανεκπαίδευση των μοντέλων. Παρά το μικρό μέγεθος της δεξαμενής και την ελλιπή εκπροσώπηση της κλάσης χαμηλού κινδύνου, η στοχευμένη επιλογή δειγμάτων κρίνεται εξαιρετικά αποτελεσματική, καθώς διασφαλίζει τη διατήρηση της επίδοσης στο άγνωστο σύνολο δεδομένων, οδηγώντας στην επίτευξη διακριτικής ικανότητας ανάλογης με αυτή που επιτυγχάνεται μέσω της εφαρμογής επιβλεπόμενης μάθησης.	el
heal.abstract	Atherosclerosis is the primary cause of cardiovascular diseases, which are the leading cause of death and disability worldwide, affecting millions of people every year. Epidemiological studies highlight many risk factors for atherosclerosis, and ensuring appropriate treatment for patients is considered essential to prevent early deaths and manage the complications of the disease. The use of machine learning algorithms in medical science has the potential to significantly improve the diagnostic process by enabling the prediction and detection of disease at early stages. However, training machine learning models in this field faces challenges due to the often limited amount of data. This thesis aims to develop and evaluate deep learning models to categorize patients with carotid disease into two categories, high and low risk, by utilizing transfer learning and active learning methods. For this purpose, customized pre-trained deep learning models of ImageNet (ResNet50, InceptionV3, VGG16, Xception) and two datasets are utilized. The first dataset is obtained from the CUBS study and consists of 366 high and 1.012 low-risk images that are used to train and evaluate the initial predictive models. The second dataset is provided by ATTIKON hospital and includes 67 high-risk and 20 low-risk b-mode carotid ultrasound images. This set is considered as a pool with unknown labels, from which samples are extracted by applying different sampling approaches to retrain the models. Despite the small size of the pool and the underrepresentation of the low-risk class, the targeted sample selection is found to be highly effective as it ensures that performance is maintained in the unknown dataset, leading to the achievement of discriminative ability comparable to the one achieved through the application of supervised learning.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	137 σ.	el
heal.fullTextAvailability	false