Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/14709
Title: Σχεδιασμός Και Υλοποίηση Σχήματος Ταξινόμησης Για Τη Διάγνωση Του Καρκίνου Του Μαστού
Authors: Ιωάννης Ι. Ανδρεάδης
Νικήτα Κωνσταντίνα
Keywords: μικροασβεστώσεις
καρκίνος του μαστού
μαστογραφία
υποβοηθούμενη διάγνωση
support vector machines.
Issue Date: 26-Oct-2006
Abstract: ΠΕΡΙΛΗΨΗΟ καρκίνος του μαστού είναι μία από τις μεγαλύτερες μάστιγες της εποχής μας. Η μαστογραφία αποτελεί την αποτελεσματικότερη μέθοδο για την ανίχνευση και διάγνωση αυτής της μορφής καρκίνου. Ωστόσο, η ερμηνεία των μαστογραφιών είναι πολλές φορές ένα πολύ δύσκολο εγχείρημα για τους ακτινολόγους. Για τον λόγο αυτό, τα τελευταία χρόνια πολλά συστήματα υποβοηθούμενης διάγνωσης (CAD) αναπτύχθηκαν με σκοπό να βοηθήσουν τους ακτινολόγους στην διάγνωση της ασθένειας.Ένα από τα σημαντικότερα ευρήματα που σχετίζεται με τον καρκίνο του μαστού είναι οι μικροασβεστώσεις (MCs). Οι μικροασβεστώσεις είναι οι μικρότερες δομές που εντοπίζονται σε μια μαστογραφία. Πρόκειται για αποθέματα αλάτων ασβεστίου που βρίσκονται είτε σε καλοήθεις είτε σε κακοήθεις περιοχές του μαστού και εμφανίζονται συνήθως με την μορφή συμπλεγμάτων. Πολλές προσπάθειες έγιναν στο παρελθόν για να ταξινομηθούν ανάλογα με τα μορφολογικά χαρακτηριστικά τους. Η μελέτη που παρουσιάζεται εδώ αποτελεί μέρος ενός CAD συστήματος που πήρε την ονομασία Ιπποκράτης-μστ. Ο Ιπποκράτης-μστ αναπτύχθηκε στο Εργαστήριο Πληροφορικής του Ιδρύματος Ιατρικών και Βιολογικών Ερευνών της Ακαδημίας Αθηνών (ΙΙΒΕΑ). Το σύστημα στηρίζεται στην ανάλυση και αξιολόγηση μεμονωμένων μικροασβεστώσεων , καθώς και αντίστοιχων συμπλεγμάτων. Η υλοποίηση γίνεται σε τέσσερα βασικά στάδια: α) αρχειοθέτηση ασθενών, β) χρήση τεχνικών ανάλυσης εικόνας για την εξέταση των μαστογραφιών, γ) ανίχνευση και ανάλυση των μικροασβεστώσεων και δ) εκτίμηση του τελικού ποσοστού επικινδυνότητας.Στην παρούσα διπλωματική εργασία παρουσιάζουμε ένα διαγνωστικό μοντέλο του καρκίνου του μαστού που στηρίζεται στον αλγόριθμο μηχανικής μάθησης των support vector machines (SVM). Η μεθοδολογία SVM είναι αρκετά πρόσφατη, αφού προτάθηκε την προηγούμενη δεκαετία. Έχει ήδη προσελκύσει αυξημένο ενδιαφέρον, μιας και φαίνεται να έχει εντυπωσιακά αποτελέσματα σε πολλές εφαρμογές. Σε αντίθεση με άλλους αλγορίθμους μηχανικής μάθησης που στηρίζονται στην ελαχιστοποίηση του εμπειρικού σφάλματος (π.χ αριθμός σφαλμάτων εκπαίδευσης) , η μάθηση με SVM βασίζεται στην αρχή της ελαχιστοποίησης του δομικού σφάλματος. Ως εκ τούτου, οι SVM τείνουν να έχουν καλύτερα αποτελέσματα όταν εφαρμόζονται σε δεδομένα που δεν ανήκουν στο σύνολο εκπαίδευσης, έχουν μεγαλύτερη ικανότητα γενίκευσης και βρίσκουν ταχύτερα την βέλτιστη λύση.Σκοπός της εργασίας αυτής ήταν να αναπτύξουμε ένα SVM σχήμα ταξινόμησης και να εξετάσουμε την ικανότητά του να βελτιώσει το τελευταίο στάδιο (φάση διάγνωσης) του συστήματος Ιπποκράτης-μστ. Η σύγκριση των δύο σχημάτων ταξινόμησης έγινε με 105 μαστογραφίες (80 καλοήθεις-25 κακοήθεις), τις οποίες προμηθευτήκαμε από συνεργαζόμενα διαγνωστικά κέντρα για τον καρκίνο του μαστού. Σε όλες τις περιπτώσεις, έχει προηγηθεί χειρουργική βιοψία, υπάρχει συνεπώς για κάθε δείγμα ιστοπαθολογική εξακρίβωση της κατάστασής του. Τα πειράματά μας έδειξαν ότι η προτεινόμενη τεχνική εξασφαλίζει καλύτερα αποτελέσματα από αυτά του Ιπποκράτη-μστ. Συγκεκριμένα, το ποσοστό επιτυχίας για τις κακοήθεις περιπτώσεις είναι 90% και για τις δύο μεθόδους. Για τις καλοήθεις περιπτώσεις, το ποσοστό επιτυχίας του προτεινόμενου σχήματος είναι 70.77%, ενώ το ποσοστό επιτυχίας του Ιπποκράτη-μστ είναι μόλις 24.61%.
URI: http://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/14709
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2006-0230.doc9.76 MBMicrosoft WordView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.