Μελέτη και Συγκριτική Αξιολόγηση Αρχιτεκτονικών Βαθιάς Μάθησης για την Τμηματοποίηση Πλακούντα σε Εικόνες MRI

Τσένος, Γρηγόριος; Tsenos, Grigorios

dc.contributor.author	Τσένος, Γρηγόριος	el
dc.contributor.author	Tsenos, Grigorios	en
dc.date.accessioned	2026-06-03T10:07:14Z
dc.date.available	2026-06-03T10:07:14Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/64812
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.32506
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Πλακούντας	el
dc.subject	Τµηµατοποίηση ιατρικών εικόνων	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Αναπαραγωγιµότητα	el
dc.subject	Συγκριτική Αξιολόγηση	el
dc.subject	MRI	en
dc.subject	MONAI	en
dc.subject	U-Net	en
dc.subject	State Space Models	en
dc.subject	Transformers	en
dc.title	Μελέτη και Συγκριτική Αξιολόγηση Αρχιτεκτονικών Βαθιάς Μάθησης για την Τμηματοποίηση Πλακούντα σε Εικόνες MRI	el
dc.contributor.department	Τομέας Συστημάτων Μετάδοσης Πληροφορίας & Τεχνολογίας Υλικών	el
heal.type	bachelorThesis
heal.secondaryTitle	Study and Comparative Assessment of Deep Learning Architectures for Placenta Segmentation in MRI Images	en
heal.generalDescription	Αξιολόγηση και σύγκριση πειραματικών μεθόδων και μοντέλων Βαθιάς Μάθησης με σκοπό την αυτόματη τμηματοποίηση πλακούντα σε MRI εικόνες.	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-02-26
heal.abstract	Automatic placenta segmentation in magnetic resonance imaging (MRI) is a fundamental step for quantitative pregnancy analysis and for the systematic use of medical imaging information. The task is particularly challenging due to strong variability in organ morphology and appearance, ambiguous boundaries, and the limited availability of sufficiently annotated data. This thesis performs a systematic comparative evaluation of modern deep learning architectures for 3D placenta segmentation. A unified, reproducible experimental framework was developed in MONAI/PyTorch, integrating preprocessing, sampling, augmentation, training, and evaluation, so that the comparison is fair and well documented. The study covers U-Net-type architectures, Transformer-based approaches, and statespace-based models, assessed through Dice/IoU and qualitative inspection of the produced masks. The findings highlight that strict pipeline standardization is a critical factor for reliable conclusions, and that different architecture families exhibit distinct strengths in stability, boundary quality, and overall segmentation behavior. Overall, the thesis provides a clear reference framework for choosing placenta segmentation models in MRI. At the same time, it underlines the need for further investigation of generalization on independent datasets, external validation, and the integration of uncertainty estimation techniques.	en
heal.abstract	Η αυτόµατη τµηµατοποίηση του πλακούντα σε µαγνητική τοµογραφία (MRI) αποτελεί ϑεµελιώδες ϐήµα για την ποσοτική ανάλυση της κύησης και τη συστηµατική αξιοποίηση πληροφοριών ιατρικής απεικόνισης. Η διαδικασία είναι ιδιαίτερα απαιτητική, λόγω έντονης µεταβλητότητας στη µορφολογία και στην εµφάνιση του οργάνου, ασαφών ορίων, και της περιορισµένης διαθεσιµότητας επαρκώς επισηµασµένων δεδοµένων. Η παρούσα διπλωµατική εργασία πραγµατοποιεί συστηµατική συγκριτική αξιολόγηση σύγχρονων αρχιτεκτονικών ϐαθιάς µάθησης για 3D τµηµατοποίηση πλακούντα. Αναπτύχθηκε ενιαίο, αναπαραγώγιµο πειραµατικό πλαίσιο σε MONAI/PyTorch, το οποίο ενοποιεί προεπεξεργασία, δειγµατοληψία, επαύξηση, εκπαίδευση και αξιολόγηση, ώστε η σύγκριση να είναι δίκαιη και τεκµηριωµένη. Η µελέτη καλύπτει αρχιτεκτονικές τύπου U-Net, Transformer-ϐασισµένες προσεγγίσεις και state-space-ϐασισµένα µοντέλα, µε αποτίµηση µέσω Dice/IoU και ποιοτικής επιθεώρησης των παραγόµενων µασκών. Τα ευρήµατα αναδεικνύουν ότι η αυστηρή τυποποίηση του pipeline αποτελεί κρίσιµο παράγοντα για αξιόπιστα συµπεράσµατα και ότι διαφορετικές οικογένειες αρχιτεκτονικών παρουσιάζουν διακριτά πλεονεκτήµατα ως προς τη σταθερότητα, την ποιότητα ορίων και τη συνολική συµπεριφορά τµηµατοποίησης. Συνολικά, η εργασία προσφέρει ένα σαφές πλαίσιο αναφοράς για την επιλογή µοντέλων τµηµατοποίησης πλακούντα σε MRI. Παράλληλα, υπογραµµίζει την ανάγκη για περαιτέρω διερεύνηση της γενίκευσης σε ανεξάρτητα σύνολα δεδοµένων, για εξωτερική επικύρωση, καθώς και για ενσωµάτωση τεχνικών εκτίµησης αβεβαιότητας.	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος Δ.	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	67
heal.fullTextAvailability	false