Κατάτμηση τρισδιάστατων ιατρικών εικόνων με
σύγχρονες μεθόδους μηχανικής και βαθιάς μάθησης

Τζανακάκης, Αλέξανδρος; Tzanakakis, Alexandros

dc.contributor.author	Τζανακάκης, Αλέξανδρος	el
dc.contributor.author	Tzanakakis, Alexandros	en
dc.date.accessioned	2025-11-19T06:09:51Z
dc.date.available	2025-11-19T06:09:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62898
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30594
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Βαθιά Μάθηση	el
dc.subject	Τμηματοποίηση	el
dc.subject	Μηνιγγίωμα	el
dc.subject	Μαγνητική Τομογραφία	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Segmentation	en
dc.subject	Meningioma	en
dc.subject	Magnetic Resonance Imaging	en
dc.subject	Artificial Intelligence	en
dc.subject	Deep Learning	en
dc.title	Κατάτμηση τρισδιάστατων ιατρικών εικόνων με σύγχρονες μεθόδους μηχανικής και βαθιάς μάθησης	el
dc.contributor.department	Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06-27
heal.abstract	Η τμηματοποίηση ιατρικών εικόνων συνιστά μία από τις πιο κρίσιμες διαδικασίες στην ανάλυση δεδομένων μαγνητικής τομογραφίας, καθώς επιτρέπει την ακριβή εντόπιση παθολογικών περιοχών και διευκολύνει τη διάγνωση, την πρόγνωση και την παρακολούθηση της εξέλιξης ασθενειών. Στην περίπτωση των μηνιγγιωμάτων, που αποτελούν τον πιο συχνό καλοήθη ενδοκρανιακό όγκο, η έγκαιρη και ακριβής τμηματοποίηση του όγκου μπορεί να συμβάλλει ουσιαστικά στη βελτιστοποίηση της θεραπευτικής αντιμετώπισης και στην αποφυγή επιπλοκών. Η παρούσα εργασία εστιάζει στην αξιολόγηση διαφορετικών αρχιτεκτονικών βαθιάς μάθησης για το πρόβλημα της τρισδιάστατης τμηματοποίησης μηνιγγιωμάτων σε μαγνητικές τομογραφίες. Αξιοποιήθηκε το σύνολο δεδομένων Meningioma-SEG-CLASS και αναπτύχθηκε ένα κοινό πειραματικό πλαίσιο με ενιαίες παραμέτρους εκπαίδευσης, τεχνικές προεπεξεργασίας και διαδικασίες αξιολόγησης. Δοκιμάστηκαν παραδοσιακές συνελικτικές αρχιτεκτονικές, πιο σύγχρονα μοντέλα με μηχανισμούς προσοχής, καθώς και πρόσφατες υβριδικές προσεγγίσεις που βασίζονται σε νέα μοντέλα ακολουθιακής επεξεργασίας. Ιδιαίτερη έμφαση δόθηκε στην ορθή διαχείριση των δεδομένων, στην επιλογή τεχνικών επαύξησης, στον καθορισμό κατάλληλων συναρτήσεων κόστους και βελτιστοποιητών, καθώς και στη χρήση μετα-επεξεργασίας κατά το στάδιο της εξαγωγής προβλέψεων (inference). Τα αποτελέσματα δείχνουν ότι, ακόμη και υπό συνθήκες περιορισμένων δεδομένων και υπολογιστικών πόρων, είναι δυνατή η ανάπτυξη μοντέλων με αξιόλογη απόδοση, γεγονός που αναδεικνύει τη σημασία ενός καλά σχεδιασμένου πειραματικού pipeline.	el
heal.abstract	Medical image segmentation plays a vital role in processing MRI data, enabling the precise identification of pathological regions and assisting in diagnosis, prognosis, and treatment planning. In the case of meningiomas — the most common type of intracranial tumor — accurate segmentation can significantly impact the quality of patient care, supporting better surgical planning and reducing risks. This thesis investigates the use of deep learning architectures for the task of 3D meningioma segmentation on magnetic resonance images. Using the Meningioma-SEG-CLASS dataset, a unified experimental framework was developed to ensure consistent comparison across models. The selected models include classic convolutional neural networks, modern architectures incorporating attention mechanisms, and state-of-the-art hybrid approaches based on sequential modeling paradigms. Beyond model selection, emphasis was placed on the complete pipeline: from data preparation and augmentation to loss function design, optimizer selection, and post-processing at inference time. This comprehensive approach allowed for meaningful evaluation under realistic constraints, such as limited annotated data and moderate computational resources. The findings demonstrate that, through careful experimental design, competitive segmentation performance can be achieved even in resource-constrained environments.	en
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	73
heal.fullTextAvailability	false