Εκτίμηση αβεβαιότητας για την πρόβλεψη της αθηροσκλήρωσης με
χρήση υπερηχογραφημάτων καρωτίδων και τεχνικών βαθιάς μάθησης

Σαράφη, Καλλιόπη; Sarafi, Kalliopi

dc.contributor.author	Σαράφη, Καλλιόπη	el
dc.contributor.author	Sarafi, Kalliopi	en
dc.date.accessioned	2026-01-16T11:44:29Z
dc.date.available	2026-01-16T11:44:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63211
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30906
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	Καρωτιδική Νόσος	el
dc.subject	Αθηροσκλήρωση	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Εκτίμηση Αβεβαιότητας	el
dc.subject	Υπερηχογραφήματα	el
dc.subject	Carotid Artery Disease	en
dc.subject	Atherosclerosis	en
dc.subject	Deep Learning	en
dc.subject	Uncertainty Estimation	en
dc.subject	Ultrasound Imaging	en
dc.title	Εκτίμηση αβεβαιότητας για την πρόβλεψη της αθηροσκλήρωσης με χρήση υπερηχογραφημάτων καρωτίδων και τεχνικών βαθιάς μάθησης	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική	el
heal.classification	Βαθιά Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-04
heal.abstract	Η καρωτιδική αθηροσκλήρωση, δηλαδή η στένωση των καρωτιδικών αρτηριών λόγω δημιουργίας αθηρωματικών πλακών, αποτελεί μία από τις κύριες αιτίες ισχαιμικών εγκεφαλικών επεισοδίων. Η πάθηση εξελίσσεται συχνά ασυμπτωματικά έως ότου εκδηλωθεί με οξεία αγγειακά συμβάντα, γεγονός που καθιστά τη μη επεμβατική και έγκαιρη διάγνωση εξαιρετικά σημαντική. Οι εξελίξεις στην ιατρική απεικόνιση, σε συνδυασμό με υπολογιστικά εργαλεία τεχνητής νοημοσύνης, προσφέρουν νέες δυνατότητες στην πρόβλεψη της νόσου και την υποστήριξη της ιατρικής απόφασης. Η παρούσα εργασία εξετάζει την ενσωμάτωση της εκτίμησης αβεβαιότητας σε μοντέλα βαθιάς μάθησης για την πρόβλεψη της αθηροσκλήρωσης με βάση υπερηχογραφήματα καρωτίδων. Συγκεκριμένα, αναπτύσσονται και αξιολογούνται δύο προσεγγίσεις: το Monte Carlo Dropout και τα Deep Ensembles, οι οποίες προσφέρουν όχι μόνο προβλέψεις αλλά και ποσοτικά μέτρα εμπιστοσύνης, ενισχύοντας τη διαφάνεια και την ασφάλεια στη λήψη ιατρικών αποφάσεων. Για τη μελέτη αξιοποιούνται προεκπαιδευμένα συνελικτικά νευρωνικά δίκτυα με τεχνικές μεταφοράς μάθησης, εκπαιδευμένα σε υπερηχογραφικές εικόνες από τις μελέτες CUBS και ATTIKON, καθώς και σε εκτός κατανομής δεδομένα (OOD). Αξιολογείται η ακρίβεια, η ικανότητα γενίκευσης σε άγνωστα δεδομένα και η επίδοση σε δείγματα υψηλής βεβαιότητας βάσει της εκτιμώμενης αβεβαιότητας. Τα πειραματικά αποτελέσματα έδειξαν ότι το Monte Carlo Dropout υπερέχει στην ανίχνευση και διαχείριση μετατοπισμένων ή άγνωστων κατανομών, επιτυγχάνοντας υψηλό AUC (0.9589) για τον εντοπισμό εκτός κατανομής δειγμάτων. Αντίστοιχα, τα Deep Ensembles παρουσίασαν υψηλή αξιοπιστία στην απομόνωση προβλέψεων χαμηλής αβεβαιότητας, ενισχύοντας τη διαγνωστική ακρίβεια σε ελεγχόμενα σενάρια χρήσης. Οι δύο μέθοδοι αναδεικνύονται ως συμπληρωματικά εργαλεία, κατάλληλα για διαφορετικές κλινικές απαιτήσεις. Η εργασία τεκμηριώνει την αξία της εκτίμησης αβεβαιότητας στην ιατρική τεχνητή νοημοσύνη και αναδεικνύει τη δυνατότητα ανάπτυξης μοντέλων που προσφέρουν όχι μόνο ακριβείς αλλά και αξιόπιστες προβλέψεις, συμβάλλοντας στην ασφαλέστερη και διαφανέστερη υποστήριξη της ιατρικής απόφασης.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	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	107 σ.	el
heal.fullTextAvailability	false