Αυτοματοποιημένη κατάτμηση οργάνων και όγκων σε αξονικές τομογραφίες: Διερεύνηση της σύνθετης κλιμάκωσης στην αρχιτεκτονική U-Net

Κολπετίνου, Κυριακή; Kolpetinou, Kyriaki

dc.contributor.author	Κολπετίνου, Κυριακή	el
dc.contributor.author	Kolpetinou, Kyriaki	en
dc.date.accessioned	2025-01-28T12:12:54Z
dc.date.available	2025-01-28T12:12:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60997
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28693
dc.rights	Default License
dc.subject	Αξονική τομογραφία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Σημασιολογική κατάτμηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Computed tomography	en
dc.subject	Machine learning	en
dc.subject	Artificial intelligence	en
dc.subject	Convolutional neural networks	en
dc.subject	Semantic segmentation	en
dc.title	Αυτοματοποιημένη κατάτμηση οργάνων και όγκων σε αξονικές τομογραφίες: Διερεύνηση της σύνθετης κλιμάκωσης στην αρχιτεκτονική U-Net	el
dc.title	Automated segmentation of organs and tumors in CT scans: Investigation of compound scaling on the U-Net architecture	en
heal.type	bachelorThesis
heal.classification	Βιοατρική τεχνολογία	el
heal.classification	Biomedical Engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-30
heal.abstract	Η εφαρμογή προηγμένων τεχνικών κατάτμησης ιατρικών εικόνων αποτελεί σημαντική καινοτομία, προσφέροντας πολύτιμες πληροφορίες για την ανάλυση και τον εντοπισμό καρκινικών όγκων σε αξονικές τομογραφίες. Η κατάτμηση αυτών των εικόνων χρησιμοποιείται τόσο για τη διάγνωση όσο και για τη θεραπευτική παρακολούθηση των ασθενών. Η αυτοματοποίηση αυτής της διαδικασίας επιτυγχάνεται με τη σημασιολογική κατάτμηση. Η Μηχανική Μάθηση έχει φέρει επανάσταση στην ιατρική, επιτρέποντας την ανάπτυξη αλγορίθμων που μπορούν να εκπαιδευτούν σε σύνολα δεδομένων για την ανάλυση εικόνων και αναγνώριση περιοχών ενδιαφέροντος με μεγάλη ακρίβεια. Με τη χρήση αυτών των αλγορίθμων, είναι δυνατή η βελτίωση της ακρίβειας στη διάγνωση, η παρακολούθηση της εξέλιξης ασθενειών, και η εξατομικευμένη θεραπεία. Τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNNs) αποτελούν ένα από τα πιο ισχυρά εργαλεία της Μηχανικής Μάθησης και έχουν αποδειχθεί ιδιαίτερα αποτελεσματικά στην επεξεργασία ιατρικών εικόνων. Τα Συνελικτικά Νευρωνικά Δίκτυα αποδεικνύονται ιδιαίτερα αποτελεσματικά στην αναγνώριση χαρακτηριστικών και στην κατάτμηση εικόνων. Ειδικά στην κατάτμηση ιατρικών εικόνων, επιτρέπουν την ακριβή κατηγοριοποίηση των εικονοστοιχείων των εικόνων και την απομόνωση παθολογικών περιοχών, όπως καρκινικοί όγκοι. Στην παρούσα εργασία, χρησιμοποιήθηκε η αρχιτεκτονική U-Net, ένα συνελικτικό δίκτυο που έχει δημιουργηθεί για τη σημασιολογική κατάτμηση ιατρικών εικόνων με μεγάλη ακρίβεια. Το δίκτυο αυτό εκπαιδεύτηκε σε αξονικές τομογραφίες οργάνων και καρκινικών όγκων, σε συνδυασμό με την εφαρμογή της μεθόδου σύνθετης κλιμάκωσης του δικτύου EfficientNet με στόχο την διερεύνηση της επίδρασης της μεθόδου στην ακρίβεια του μοντέλου.	el
heal.abstract	The application of advanced medical image segmentation techniques is a significant innovation, offering valuable information for the analysis and detection of cancerous tumors in CT scans. The segmentation of these images is used both for diagnosis and for therapeutic monitoring of patients. The automation of this process is achieved through semantic segmentation. Machine Learning has revolutionized medicine, enabling the development of algorithms that can be trained on datasets to analyze images and recognize regions of interest with high accuracy. With the use of these algorithms, it is possible to improve diagnostic accuracy, monitor the progression of diseases, and provide personalized treatment. Convolutional Neural Networks (CNNs) are one of the most powerful tools in Machine Learning and have proven particularly effective in the processing of medical images. CNNs are particularly effective in feature recognition and image segmentation. Specifically, in medical image segmentation, they allow for the precise categorization of image pixels and the isolation of pathological regions, such as cancerous tumors. In this study, the U-Net architecture was used, a convolutional neural network designed for the semantic segmentation of medical images with high accuracy. This network was trained on CT scans of organs and cancerous tumors, combined with the application of the compound scaling method from EfficientNet, aiming to investigate the effect of this method on the model’s accuracy.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	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	94 σ.	el
heal.fullTextAvailability	false