Αυτοματοποιημένη ανίχνευση αδενοκαρκινώματος του παγκρέατος σε αξονικές τομογραφίες με χρήση βαθιάς μάθησης: διερεύνηση της επίδρασης της προεπεξεργασίας των δεδομένων

Καρατζούνη, Κυριακή; Karatzouni, Kyriaki

dc.contributor.author	Καρατζούνη, Κυριακή	el
dc.contributor.author	Karatzouni, Kyriaki	en
dc.date.accessioned	2026-01-19T10:45:43Z
dc.date.available	2026-01-19T10:45:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63223
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30918
dc.rights	Default License
dc.subject	Παγκρεατικό Αδενοκαρκίνωμα	el
dc.subject	Pancreatic Adenocarcinoma	en
dc.subject	Αξονική Τομογραφία	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Τμηματοποίηση Εικόνας	el
dc.subject	Προεπεξεργασία Εικόνας	el
dc.subject	Computed Tomography	en
dc.subject	Deep Learning	en
dc.subject	Image Segmentation	en
dc.subject	Image Preprocessing	en
dc.title	Αυτοματοποιημένη ανίχνευση αδενοκαρκινώματος του παγκρέατος σε αξονικές τομογραφίες με χρήση βαθιάς μάθησης: διερεύνηση της επίδρασης της προεπεξεργασίας των δεδομένων	el
dc.title	Automated detection of pancreatic adenocarcinoma in computed tomography scans using deep learning: investigation of the impact of data preprocessing	en
heal.type	bachelorThesis
heal.generalDescription	Η παρούσα διπλωματική εργασία έχει ως στόχο να ερευνήσει την επίδραση διάφορων μεθόδων προεπεξεργασίας δεδομένων, πιο συγκεκριμένα της απόστασης μεταξύ των τομών (spacing), των μεθόδων παρεμβολής (interpolation) και της κανονικοποίησης έντασης (intensity normalization) στην απόδοση των συστημάτων βαθιάς μάθησης που χρησ ιμοποιούνται για την αυτόματη ανίχνευση αδενοκαρκινώματος του παγκρέατος σε εικόνες αξονικής τομογραφίας.	el
heal.classification	Βιοϊατρική Μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06
heal.abstract	Η παρούσα διπλωματική εργασία εξετάζει πώς οι επιλογές προεπεξεργασίας επηρεάζουν την ακρίβεια της αυτόματης τμηματοποίησης παγκρεατικού αδενοκαρκινώματος σε πολυφασικές αξονικές τομογραφίες. Χρησιμοποιήθηκε το δημόσιο σύνολο δεδομένων MSD Task 07 – Pancreas (420 3-D CT εξετάσεις) και το πλήρως αυτορρυθμιζόμενο πλαίσιο nnU-Net. Σχεδιάστηκαν 15 πειραματικά runs σε τρεις θεματικές: 1. Voxel spacing: ισοτροπικές (1 × 1 × 1, 1,5 × 1,5 × 1,5, 2 × 2 × 2 mm) και ανισοτροπικές (1 × 1 × 2,5, 1 × 1 × 5 mm) επαναδειγματοληψίες. 2. Interpolation: spline τάξεων 1-5 (linear–quintic). 3. Intensity clipping: ποσοστημόρια 0–100 %, 0,1–99,9 %, 1–99 %, 5–95 %, 10–90 %. Οι πειραματικές μελέτες έδειξαν ότι ο καθορισμός του κατάλληλου voxel spacing αποτελεί το κλειδί για τη βέλτιστη απόδοση του nnU-Net στην τμηματοποίηση του παγκρεατικού αδενοκαρκινώματος. Συγκεκριμένα, η χρήση ελαφρώς ανισοτροπικού spacing (1 × 1 × 2,5 mm) οδήγησε σε αύξηση του Dice coefficient για τον όγκο κατά σχεδόν 30% σε σχέση με ένα ισοτροπικό spacing 2 mm, ενώ η υπερβολική μείωση της ανάλυσης του άξονα z (1 × 1 × 5 mm) συρρίκνωσε την ευαισθησία ανίχνευσης. Αντίθετα, οι διαφοροποιήσεις στη μέθοδο παρεμβολής (linear έως quintic spline) απέφεραν μεταβολές στον Dice μικρότερου από το 2%, επιβεβαιώνοντας ότι η προεπιλεγμένη κυβική παρεμβολή είναι απόλυτα επαρκής. Πολύ περιοριστική κανονικοποίηση έντασης (clip 10–90%) αύξησε οριακά τον δείκτη Sensitivity, αλλά συνοδεύτηκε από ελαφρά πτώση του συνολικού Dice, ενώ η πιο ήπια αποκοπή (1–99%) διατήρησε τις βέλτιστες τιμές. Συμπερασματικά, η βέλτιστη ρύθμιση του voxel spacing, σύμφωνα με τις ευριστικές μεθόδους του nnU-Net, είναι καθοριστική για την επίτευξη υψηλής ποιότητας segmentation του παγκρεατικού αδενοκαρκινώματος, ενώ οι προεπιλεγμένες τεχνικές interpolation και intensity normalization παρέχουν ήδη επαρκώς βέλτιστα αποτελέσματα. Τα ευρήματα αυτά διαμορφώνουν ένα επαρκές πλαίσιο για την κλινική ενσωμάτωση συστημάτων CAD στο πάγκρεας και οριοθετούν σαφείς κατευθύνσεις για μελλοντική έρευνα, όπως η ανάπτυξη πολυβάθμιων (cascade) μοντέλων και η ενσωμάτωση πολυτροπικών απεικονιστικών δεδομένων.	el
heal.abstract	This thesis investigates how preprocessing choices affect the accuracy of automated segmentation of pancreatic adenocarcinoma in multiphase computed tomography scans. The publicly available MSD Task 07 – Pancreas dataset (420 3-D CT scans) and the fully self-configuring nnU-Net framework were used. Fifteen experimental runs were designed, grouped into three thematic areas: 1. Voxel spacing: isotropic (1 × 1 × 1, 1.5 × 1.5 × 1.5, 2 × 2 × 2 mm) and anisotropic (1 × 1 × 2.5, 1 × 1 × 5 mm) resampling. 2. Interpolation: spline interpolation of order 1–5 (linear–quintic). 3. Intensity clipping: percentiles 0–100%, 0.1–99.9%, 1–99%, 5–95%, 10–90%. The experiments demonstrated that selecting appropriate voxel spacing is key for optimal nnU-Net performance in pancreatic adenocarcinoma segmentation. Specifically, the use of slightly anisotropic spacing (1 × 1 × 2.5 mm) resulted in an increase of almost 30% in Dice coefficient for volume compared to isotropic spacing of 2 mm, whereas excessive reduction of z-axis resolution (1 × 1 × 5 mm) led to decreased detection sensitivity. In contrast, variations in interpolation method (linear to quintic spline) produced changes in Dice of less than 2%, confirming that the default cubic interpolation is fully adequate. Highly restrictive intensity normalization (clip 10–90%) marginally increased the Sensitivity index, but was accompanied by a slight decrease in overall Dice, while milder clipping (1–99%) maintained optimal values. In conclusion, optimal tuning of voxel spacing—following nnU-Net heuristics—is crucial for achieving high-quality segmentation of pancreatic adenocarcinoma, while the default interpolation and intensity normalization techniques already provide sufficiently optimal results. These findings establish a robust framework for the clinical integration of CAD systems for the pancreas and outline clear directions for future research, such as the development of cascade models and the incorporation of multimodal imaging data.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Πετροπούλου, Ουρανία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.	el
heal.fullTextAvailability	false