Τμηματοποίηση ανατομικών δομών από αξονικές τομογραφίες κεφαλής και τραχήλου

Τσιατσιάνη, Άννα Μαρία; Tsiatsiani, Anna Maria

dc.contributor.author	Τσιατσιάνη, Άννα Μαρία	el
dc.contributor.author	Tsiatsiani, Anna Maria	en
dc.date.accessioned	2025-02-05T09:55:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61069
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28765
dc.rights	Default License
dc.subject	Τμηματοποίηση	el
dc.subject	Ιατρική απεικόνιση	el
dc.subject	Συνελικτικά δίκτυα	el
dc.subject	Μετασχηματιστές	el
dc.subject	Segmentation	en
dc.subject	Medical Imaging	en
dc.subject	UNET	en
dc.subject	SWIN-UNETR	en
dc.title	Τμηματοποίηση ανατομικών δομών από αξονικές τομογραφίες κεφαλής και τραχήλου	el
heal.type	masterThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.dateAvailable	2026-02-04T22:00:00Z
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-08
heal.abstract	Ο καρικίνος του λάρυγγα αποτελεί έναν από τους συχνότερους καρκίνους κεφαλής και τραχήλου. Ανάλογα με την ιστολογική του μορφή, την εντόπισή του και τη σταδιοποίησή του η αντιμετώπιση διαφέρει. Για τους πλακώδεις όγκους αρχικού σταδίου επιφέρει εξαιρετικά αποτελέσματα η ακτινοθεραπεία η οποία χρησιμοποιείται μόνη της ή επικουρικά με άλλες μεθόδους. Ακτινοβόληση μη νεοπλασματικών περιοχών μπορεί να επιφέρει σοβαρά ανατομικά και λειτουργικά ελλείματα τα οποία μπορεί να οδηγήσουν ακόμα από αναπηρία έως και τον θάνατο. Στόχος η μείωση έκθεσης των υγειών ιστών. Η τμηματοποίηση επαπειλούμενων οργάνων-στόχων αποτελεί προσέγγιση επίλυσης του συγκεκριμένου ζητήματος. Πρόκειται για τεχνική υπολογιστικής όρασης που χωρίζει μια ψηφιακή εικόνα σε διακριτές ομάδες εικονοστοιχείων - τμημάτων με σκοπό την ανίχνευση αντικειμένων. Το πιο διαδεδομένο μοντέλο τμηματοποίησης αποτελεί το Unet το οποίο βασίζεται στο μοντέλο βαθιάς μάθησης των συνελικτικών νευρωνικών δικτύων. Στην ίδια κατηγορία ανήκει και το μοντέλο Attention-UNet. Εξαιρετικά αποτελέσματα εμφανίζουν προεκπαιδευμένα μοντέλα τα οποία χρησιμοιούν μετασχηματιστές ως κωδικοποιητές όπως τα TransUNet και Swin-Unetr. Στην παρούσα εργασία εφαρμόζονται τα μοντέλα Unet και Swin-Unetr για την τμηματοποίηση της κάτω γνάθου, του εγκεφαλικού στελέχους και των παρωτίδων από αξονικές τομογραφίες. Επιπλέον μελετήθηκε ο συνδυασμός 3 μοντέλων σε ένα υποσύνολο του συνόλου δεδομένων. Η βέλτιστη τμηματοποίηση αφορούσε το συνδυασμό SWIN-UNETR και της υβριδικής συνάρτησης κόστους πιθανώς λόγω της αυξημένης πολυπλοκότητας των στοιχείων εισόδου. ΄Ολα τα μοντέλα εφαρμόστηκαν και σε δεύτερο, νέο σύνολο δεδομένων με τα αποτελέσματα να κυμαίνονται από ανεπαρκή έως ικανοποιητικά. Και στα δύο μοντέλα τα βέλτιστα αποτελέσματα αφορούν τη δομή της κάτω γνάθου καθώς πρόκειται για μία οστική δομή της οποίας η τιμή έντασης στην αξονική τομογραφία λαμβάνει μία από τις δύο πιο ακραίες τιμές. Η τμηματοποίηση του εγκεφαλικού στελέχους και της παρωτίδας οδηγεί σε λανθασμένη ταξινόμηση των ακραίων εικονοστοιχείων, το οποίο πιθανόν οφείλεται στο κοντινό εύρος πυκνοτήτων με τις γειτονικές τους δομές.	el
heal.abstract	Laryngeal carcinoma is one of the most common head and neck cancers. Depending on its histological form, the location of cancer and its staging, the treatment may varies. For squamous early stage tumours, radiotherapy has excellent results if applied alone or adjuvant with other methods. Radiation of non-neoplastic areas may result in severe anatomical and functional deficits which may lead from disability even to death. The aim is to reduce the exposure of healthy tissue to radiation. The segmentation of organs at risk is an approach to resolve this issue. It is a computer vision technique that divides a digital image into discrete groups of pixels - segments in order to detect objects. The most widely used segmentation model is Unet which is based on the Convolutional Neural Networks deep learning model. Another model of the same category is the Attention-UNet. Excellent results are obtained with pre-trained models that use transformers as encoders such as TransUNet and Swin-Unetr. In this paper, the Unet and Swin-Unetr models are applied to segment the mandible, brainstem and parotid gland from CT scans. In addition, the combination of 3 models in a subset of the dataset was studied. The best segmentation involved the combination of SWIN-UNETR and hybrid cost function probably due to the increased complexity of the input data. All models were also applied to a second, new dataset with results ranging from inadequate to satisfactory. In both models the best results are for the mandibular structure as it is a bone structure whose intensity value in the CT scan takes one of the two most extreme values while the segmentation of the brainstem and the parotid gland show incorrect classification of the extreme pixels, which is probably due to the close range of densities with their neighboring structures.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false