Ανάπτυξη μοντέλων βαθιάς μηχανικής μάθησης για την απεικονιστική μελέτη νευροεκφυλιστικών ασθενειών με χρήση ογκομετρικών και γενετικών δεδομένων

Κυπριανού, Χριστόφορος; Kyprianou, Christoforos

dc.contributor.author	Κυπριανού, Χριστόφορος	el
dc.contributor.author	Kyprianou, Christoforos	en
dc.date.accessioned	2025-03-21T08:14:42Z
dc.date.available	2025-03-21T08:14:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61384
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29080
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά νευρωνικά δίκτυα	el
dc.subject	Αλτσχάιμερ	el
dc.subject	Νευροεκφυλιστικές νόσοι	el
dc.subject	Monte carlo dropout	en
dc.subject	Αβεβαιότητα	el
dc.subject	Deep neural networks	en
dc.subject	Uncertainty	en
dc.subject	Neurodegenerative Diseases	en
dc.subject	Mild cognitive impairment (MCI)	en
dc.title	Ανάπτυξη μοντέλων βαθιάς μηχανικής μάθησης για την απεικονιστική μελέτη νευροεκφυλιστικών ασθενειών με χρήση ογκομετρικών και γενετικών δεδομένων	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-15
heal.abstract	Η άνοια αποτελεί μια εκφυλιστική νόσο του εγκεφάλου που επηρεάζει εκατομμύρια ανθρώπους παγκοσμίως, με τις εριπτώσεις να αυξάνονται ραγδαία, ιδίως λόγω της γήρανσης του πληθυσμού. Η ΄Ηπιας Μορφής Νοητική Εξασθένηση (Mild Cognitive Impairment - MCI) και η άνοια ανήκουν στις κυριότερες νευροεκφυλιστικές ασθένειες που οδηγούν σε νοητική δυσλειτουργία. Οι ασθενείς παραμένουν ασυμπτωματικοί για μεγάλο χρονικό διάστημα πριν τη διάγνωση, επομένως έγκαιρη διάγνωση είναι κρίσιμη, καθώς μπορεί να βοηθήσει στην κα- λύτερη διαχείριση της νόσου και στη βελτίωση της ποιότητας ζωής των ασθενών. Η παρούσα διπλωματική εργασία, επικεντρώνεται στην ταξινόμηση ογκομετρικών δεδομένων από Τ1-σταθμισμένες εικόνες μαγνητικής τομογραφίας του εγκεφάλου, καθώς και γε- νετικών δεδομένων από το σύνολο δεδομένων ADNI, με στόχο τη διάγνωση ασθενών που πάσχουν από ήπια γνωστική εξασθένηση (MCI), άνοια ή είναι υγιείς. Αρχικά το σύνολο δεδομένων χωρίστηκε σε τρία σύνολα με τα δείγματα να κατανεμήθηκαν σε αυτά με βάση την ετικέτα τους, AD vs CN, MCI vs CN, MCI vs AD, και χρησιμοποιήθηκαν βαθιά νευρωνικά δίκτυα για δυαδική ταξινόμηση, ενώ στη συνέχεια δοκιμάστηκε τόσο η αρχιτεκτονική ιεραρχικών ταξινομητών, με τη βοήθεια δύο δυαδικών ταξινομητών, όσο και μη ιεραρχικού ταξινομητή για την ταξινόμηση πολλαπλών κλάσεων. Σε όλες τις περιπτώσεις εφαρμόστηκε εύρεση βέλτιστων υπερπαραμέτρων, ενώ στους δυαδικούς ταξινομητές μελετήθηκε η εύρεση βέλτιστου κατωφλίου απόφασης. Στον ιεραρχικό ταξινομητή εφαρμόστηκε η μέθοδος Προσαρμογής σε Ετερογενείς Πληθυσμούς. Επιπλέον, μελετήθηκε η αβεβαιότητα των προβλέψεων για τους δύο επιμέρους δυαδικούς ταξινομητές της Ιεραρχικής Αρχιτεκτονικής, με τη χρήση της Εντροπίας και την εφαρμογή της τεχνικής Monte Carlo dropout. Η προσέγγιση αυτή επιτρέπει την εκτίμηση της αβεβαιότητας των προβλέψεων μέσω της μέσης τιμής των προβλέψεων και της αβεβαιότητας για κάθε δείγμα, καθορίζοντας ένα βέλτιστο κατώφλι αβεβαιότητας με τη bοήθεια του J-score. Η διαδικασία αυτή επιτρέπει την απόρριψη αναξιόπιστων προβλέψεων, βελτιώνοντας την ακρίβεια του μοντέλου, ειδικά στον πρώτο δυαδικό ταξινομητή της ιεραρχικής αρχιτεκτονικής. Ωστόσο, παρατηρήθηκε ότι η εφαρμογή αυστηρών κατωφλιών αβεβαιότητας μπορεί να μειώσει τον αριθμό των διατηρούμενων δειγμάτων, γεγονός που επηρεάζει την αξιοπιστία των τελικών αποτελεσμάτων. Για να αντιμετωπιστεί αυτό, εισήχθη περιορισμός στον αριθμό των διατηρούμενων δειγμάτων, εξασφαλίζοντας ότι ένα ελάχιστο ποσοστό αυτών παραμένει στο σύνολο αξιολόγησης. Οι δυαδικοί ταξινομητές, μετά την εφαρμογή του βέλτιστου κατωφλίου, ανέπτυξαν ακρίβειες από 0.71 έως 0.85 και AUC score 0.75 έως 0.88. ΄Οσον αφορά την ταξινόμηση πολλαπλών κλάσεων, ο μη ιεραρχικός ταξινομητής παρουσίασε χαμηλότερες αποδόσεις, ενώ ο ιεραρχικός είχε καλύτερες συνολικές επιδόσεις με ακρίβειες από 0.67 έως 0.80, αν και συνάντησε δυσκολίες στη διάκριση μεταξύ ασθενών με άνοια και ήπια γνωστική εξασθένηση. Τα συμπεράσματα της έρευνας δείχνουν ότι οι τεχνικές εύρεσης βέλτιστου κατωφλίου, υπερπαραμέτρων, η χρήση ιεραρχικής αρχιτεκτονικής και η εφαρμογή της Προσαρμογής σε Ετερογενείς Πληθυσμούς, καθώς και η εκτίμηση της αβεβαιότητας των προβλέψεων, συνέβαλαν σημαντικά στις αποδόσεις των ταξινομητών. Παρόλα αυτά, η ταξινόμηση σε τρεις κλάσεις δεν απέδωσε τόσο υψηλές ακρίβειες όπως στους δυαδικούς ταξινομητές, καθιστώντας τον διαχωρισμό των κλάσεων πρόκληση.	el
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	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false