Επεξεργασία και ανάλυση τρισδιάστατων ιατρικών εικόνων στον
καρκίνο του μαστού, από Μαγνητικό Τομογράφο, χρησιμοποιώντας τεχνικές εξαγωγής και επιλογής χαρακτηριστικών

Φώτης, Νικόλαος; Fotis, Nikolaos

dc.contributor.author	Φώτης, Νικόλαος	el
dc.contributor.author	Fotis, Nikolaos	en
dc.date.accessioned	2025-06-06T09:32:30Z
dc.date.available	2025-06-06T09:32:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62028
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29724
dc.rights	Default License
dc.subject	Καρκίνος του μαστού	el
dc.subject	InceptionV3	en
dc.subject	Απεικόνιση μαγνητικού συντονισμού (MRI)	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Ακτινοδιαγνωστική	el
dc.subject	ResNet18	en
dc.subject	VGG16	en
dc.subject	Cross Entropy Loss	en
dc.subject	Dice Loss	en
dc.title	Επεξεργασία και ανάλυση τρισδιάστατων ιατρικών εικόνων στον καρκίνο του μαστού, από Μαγνητικό Τομογράφο, χρησιμοποιώντας τεχνικές εξαγωγής και επιλογής χαρακτηριστικών	el
heal.type	bachelorThesis
heal.classification	Information Transmission Systems and Material Technology	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-17
heal.abstract	Ο καρκίνος του μαστού είναι ο συχνότερα διαγνωσμένος καρκίνος στις γυναίκες και παραμένει η κύρια αιτία θνησιμότητας παγκοσμίως. Παρά τις εξελίξεις στις διαγνωστικές μεθόδους, οι τρέχουσες απεικονιστικές μέθοδοι, όπως η μαστογραφία, ο υπέρηχος και η μαγνητική τομογραφία, εξακολουθούν να αντιμετωπίζουν προκλήσεις όσον αφορά την ευαισθησία, την ειδικότητα και την ακρίβεια πρόβλεψης. Η ραδιομική, ένας αναδυόμενος τομέας στην ιατρική απεικόνιση, εξάγει ποσοτικά χαρακτηριστικά από τις ακτινογραφικές εικόνες, επιτρέποντας τη βαθύτερη κατανόηση των χαρακτηριστικών του όγκου. Η ενσωμάτωση των τεχνικών βαθιάς μάθησης και μηχανικής μάθησης στην ακτινονομική έχει τη δυνατότητα να φέρει επανάσταση στη διάγνωση του καρκίνου, επιτρέποντας ακριβέστερες, αυτοματοποιημένες και αναπαραγώγιμες εκτιμήσεις. Η παρούσα εργασία διερευνά την εφαρμογή των συνελικτικών νευρωνικών δικτύων (CNN) στην ανάλυση της μαγνητικής τομογραφίας του μαστού, αξιολογώντας την απόδοση πέντε σύγχρονων μοντέλων: EfficientNet-B0, DenseNet121, InceptionV3, ResNet18 και VGG16. Η μελέτη χρησιμοποιεί έναν δομημένο αγωγό βαθιάς μάθησης που περιλαμβάνει την προεπεξεργασία εικόνας, την εξαγωγή χαρακτηριστικών, την εκπαίδευση μοντέλων και την αξιολόγηση επιδόσεων με τη χρήση των μετρικών απώλειας cross-entropy loss και Dice loss. Τα αποτελέσματα καταδεικνύουν ότι το VGG16 πέτυχε την υψηλότερη ακρίβεια (100%), ακολουθούμενο από το ResNet18 (97,88%) και το InceptionV3 (97,12%). Οι EfficientNet-B0 και DenseNet121 είχαν σχετικά καλές επιδόσεις, αλλά παρουσίασαν υψηλότερα ποσοστά εσφαλμένης ταξινόμησης. Τα ευρήματα αυτά αναδεικνύουν την αποτελεσματικότητα της διαγνωστικής με τεχνητή νοημοσύνη στην απεικόνιση του καρκίνου του μαστού, με συνέπειες για τη βελτίωση της έγκαιρης ανίχνευσης, τη μείωση της ανάγκης για επεμβατικές βιοψίες και τη βελτιστοποίηση εξατομικευμένων σχεδίων θεραπείας. Οι μελλοντικές εργασίες θα πρέπει να επικεντρωθούν στην ενσωμάτωση πολυτροπικής απεικόνισης, στη βελτιωμένη ερμηνευσιμότητα του μοντέλου και στην επικύρωση μεγάλης κλίμακας για να διασφαλιστεί η κλινική εφαρμοσιμότητα στον πραγματικό κόσμο.	el
heal.advisorName	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	96 σ.	el
heal.fullTextAvailability	false