Μεθοδολογική συγκριτική ανάλυση αρχιτεκτονικών μοντέλων τεχνητής νοημοσύνης στην τμηματοποίηση (segmentation) γαστρεντερικών πολύποδων σε ιατρικές εικόνες του συνόλου δεδομένων Kvasir-SEG

Δούσκα, Άννα; Douska, Anna

dc.contributor.author	Δούσκα, Άννα	el
dc.contributor.author	Douska, Anna	en
dc.date.accessioned	2025-05-26T09:40:24Z
dc.date.available	2025-05-26T09:40:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61948
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29644
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Πολύποδες	el
dc.subject	Κατάτμηση ιατρικής εικόνας	el
dc.subject	Καρκίνος παχέος εντέρου και ορθού	el
dc.subject	Artificial intelligence	en
dc.subject	Colorectal cancer	en
dc.subject	Medical image Segmentation	en
dc.subject	Polyps	en
dc.title	Μεθοδολογική συγκριτική ανάλυση αρχιτεκτονικών μοντέλων τεχνητής νοημοσύνης στην τμηματοποίηση (segmentation) γαστρεντερικών πολύποδων σε ιατρικές εικόνες του συνόλου δεδομένων Kvasir-SEG	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική τεχνολογία	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Κατάτμηση ιατρικής εικόνας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-03
heal.abstract	Η παρούσα διπλωματική εργασία εστιάζει στη χρήση της τεχνητής νοημοσύνης για την τμηματοποίηση ιατρικών εικόνων κολονοσκόπησης, με σκοπό τον εντοπισμό πολυπόδων και την ενίσχυση της πρόληψης του καρκίνου του παχέος εντέρου. Ο καρκίνος του παχέος εντέρου αποτελεί μία από τις κύριες αιτίες θανάτου παγκοσμίως, και η έγκαιρη διάγνωση και αφαίρεση πολυπόδων μπορεί να μειώσει δραστικά τη θνησιμότητα. Πιο συγκεκριμένα, μελετήθηκε το σύνολο δεδομένων Kvasir-SEG, το οποίο περιέχει 1.000 εικόνες ενδοσκοπικών πολυπόδων, και πραγματοποιήθηκε συγκριτική ανάλυση διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων για την κατάτμηση/τμηματοποίηση (segmentation) των πολυπόδων μετά από προσεκτική προεπεξεργασία των δεδομένων. Στην έρευνα αξιολογήθηκαν διάφορες αρχιτεκτονικές μοντέλων βαθιάς μάθησης, όπως το UNet, το SegResNet, το PSPNet και το DeepLabv3. Κάθε μοντέλο εκπαιδεύτηκε και αξιολογήθηκε με βάση την απόδοσή του σε μετρικές όπως η ακρίβεια (accuracy), η ευστοχία (precision), η ανάκληση (recall), το f1-score και η διασταύρωση επί ένωση (IoU). Τα αποτελέσματα κατέδειξαν την ανωτερότητα του DeepLabv3 στην ακρίβεια και την ικανότητα γενίκευσης, καθιστώντας το ιδανικό εργαλείο για την τμηματοποίηση πολυπόδων σε ιατρικές εικόνες. Επιπλέον, η εργασία προτείνει μελλοντικές βελτιώσεις μέσω της ενσωμάτωσης νέων αρχιτεκτονικών και της αξιοποίησης προεκπαιδευμένων δικτύων, όπως τα Transformers, για την περαιτέρω βελτίωση της απόδοσης. Η χρήση της τεχνητής νοημοσύνης αναδεικνύεται ως κρίσιμο εργαλείο για την αυτοματοποίηση και βελτίωση της ιατρικής διάγνωσης, προσφέροντας σημαντικές προοπτικές για την κλινική πρακτική. Συνολικά, η μελέτη ενισχύει την κατανόηση των δυνατοτήτων της τεχνητής νοημοσύνης στην ιατρική απεικόνιση και συμβάλλει στην ανάπτυξη καινοτόμων λύσεων που μπορούν να βελτιώσουν την υγειονομική περίθαλψη.	el
heal.abstract	This thesis focuses on the application of artificial intelligence for the segmentation of colonoscopy medical images, aimed at polyp detection and enhancing the prevention of colorectal cancer. Colorectal cancer is one of the leading causes of death worldwide, and early diagnosis and removal of polyps can significantly reduce mortality. Specifically, the study utilized the Kvasir-SEG dataset, which contains 1,000 images of endoscopic polyps, and conducted a comparative analysis of different neural network architectures for the segmentation of polyps following meticulous data preprocessing. The research evaluated various deep learning model architectures, such as UNet, SegResNet, PSPNet, and DeepLabv3. Each model was trained and assessed based on its performance metrics, including accuracy, precision, recall, f1-score, and intersection over union (IoU). The results demonstrated the superiority of DeepLabv3 in terms of accuracy and generalization capabilities, making it an ideal tool for polyp segmentation in medical images. Furthermore, the study proposes future improvements through the integration of new architectures and the use of pretrained networks, such as Transformers, to further enhance performance. Artificial intelligence emerges as a crucial tool for automating and improving medical diagnosis, offering significant prospects for clinical practice. Overall, the study enhances the understanding of the capabilities of artificial intelligence in medical imaging and contributes to the development of innovative solutions that can improve healthcare.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	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	78 σ.	el
heal.fullTextAvailability	false