A unified framework for brain tumour localisation in MRI images using diffusion models and advanced segmentation echniques

Μιχελάκης, Παναγιώτης; Michelakis, PanagiotisE

dc.contributor.author	Μιχελάκης, Παναγιώτης	el
dc.contributor.author	Michelakis, PanagiotisE	en
dc.date.accessioned	2025-03-20T08:52:57Z
dc.date.available	2025-03-20T08:52:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61376
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29072
dc.rights	Default License
dc.subject	Neural networks	en
dc.subject	Diffusion models	en
dc.subject	Segmentation	en
dc.subject	Brain tumour	en
dc.subject	Counterfactual	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μοντέλα διάχυσης	el
dc.subject	Εγκεφαλικοί όγκοι	el
dc.subject	Κατάτμηση	el
dc.subject	Αντιπραγματικές εικόνες	el
dc.title	A unified framework for brain tumour localisation in MRI images using diffusion models and advanced segmentation echniques	en
heal.type	bachelorThesis
heal.classification	Artificial Intelligence	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-24
heal.abstract	The application of artificial intelligence (AI) in medical imaging has significantly en- hanced diagnostic accuracy and efficiency. This thesis proposes a novel framework for the automated detection and segmentation of brain tumors in MRI scans using diffusion mod- els, the Segment Anything Model (SAM), and the Grounding DINO model. The diffusion model generates counterfactual images of the healthy brain, facilitating the identification of anomalies. SAM and Grounding DINO use point and text prompts to accurately seg- ment the tumors. Our proposed pipeline consistently outperforms the individual baseline models, demonstrating high performance across various evaluation metrics. By providing multiple output images, this system aids radiologists in making more informed decisions. Crucially, this framework is intended to assist, not replace, medical professionals, en- hancing their diagnostic capabilities and supporting improved patient outcomes.	en
heal.abstract	Η εφαρμογή της τεχνητής νοημοσύνης (ΑΙ) στην ιατρική απεικόνιση έχει βελτιώσει σημα- ντικά τη διαγνωστική ακρίβεια και αποτελεσματικότητα. Η παρούσα διπλωματική εργασία προτείνει ένα νέο πλαίσιο για την αυτοματοποιημένη ανίχνευση και τμηματοποίηση όγκων του εγκεφάλου σε μαγνητικές τομογραφίες με τη χρήση μοντέλων διάχυσης, του μοντέλου Segment Anything Model (SAM) και του μοντέλου Grounding DINO. Το μοντέλο διάχυσης δημιουργεί αντιπραγματικές εικόνες του υγιούς εγκεφάλου, διευκολύνοντας τον εντοπισμό ανωμαλιών. Το SAM και το Grounding DINO χρησιμοποιούν προτροπές σημείων και κει- μένου για την ακριβή τμηματοποίηση των όγκων. Το προτεινόμενο πλαίσιό μας υπερτερεί σταθερά έναντι των μεμονωμένων βασικών μοντέλων, επιδεικνύοντας υψηλές επιδόσεις σε διάφορες μετρικές αξιολόγησης. Παρέχοντας πολλαπλές εικόνες εξόδου, το σύστημα αυτό βοηθά τους ακτινολόγους να λαμβάνουν πιο τεκμηριωμένες αποφάσεις. Αξίζει να σημειωθεί είναι ότι αυτή η μεθοδολογία προορίζεται να βοηθήσει, όχι να αντικαταστήσει, τους επαγγελ- ματίες υγείας, ενισχύοντας τις διαγνωστικές τους ικανότητες και υποστηρίζοντας βελτιωμένα αποτελέσματα για τους ασθενείς.	el
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	190	el
heal.fullTextAvailability	false