Υλοποίηση Διαδικτυακού Συστήματος Υποβοήθησης Λήψης Αποφάσεων Με Χρήση Υπολογιστικής Όρασης Και Εξόρυξης Δεδομένων Για Την Αυτόματη Κατηγοριοποίηση Όγκων Από Εικόνες Ψηφιακής Μαστογραφίας

Abstract

Η παρούσα διπλωματική εργασία εστίασε στην ανάπτυξη ενός διαδικτυακού συστήματος υποστήριξης λήψης ιατρικών αποφάσεων για την κατηγοριοποίηση και το χαρακτηρισμό ως προς την παθολογία των όγκων και συναφών καρκινικών σχηματισμών οι οποίοι έχουν επισημανθεί σε εικονες ψηφιακής μαστογραφίας. Σκοπός της εφαρμογής αυτής ήταν η παροχή ενός μοντέλου το οποίο θα λειτουργεί συμπληρωματικά στην ιατρική γνωμάτευση παρέχοντας όσο το δυνατό ακριβέστερη διάγνωση για την ανίχνευση καρκίνου του μαστού.Για την υλοποίηση του πληροφοριακού συστήματος χρησιμοποιήθηκαν τεχνικές που εμπίπτουν στα γνωστικά πεδία της ανάλυσης εικόνας, της όρασης υπολογιστών, της εξόρυξης δεδομένων καθώς και μεθοδολογίες διαδικτυακού προγραμματισμού. Τα βασικά τμήματα του συστήματος αποτελούν ο αλγόριθμος επεξεργασίας εικόνας και το μοντέλο το οποίο εκπαιδεύεται και είναι υπεύθυνο για την εξόρυξη δεδομένων. Στα πλαίσια της υλοποίησης του συστήματος, έγινε σύγκριση ανάμεσα στα ακόλουθα μοντέλα ως προς την ικανότητα πρόβλεψης : νευρωνικό δίκτυον (Neural Network) με χρήση του αλγορίθμου με οπισθοδιάδοση σφάλματος (back-propagation of error), δέντρα κατηγοριοποίησης και παρεμβολής (Classification and Regression Trees) καθώς και εξαγωγή κανόνων (Rule Induction) με τον αλγόριθμο κατηγοριοποίησης C5.0. Για την εκπαίδευση των μοντέλων χρησιμοποιήθηκαν 635 εικόνες ψηφιακής μαστογραφίας οι οποίες λήφθηκαν από την ψηφιακή βάση δεδομένων του Πανεπιστημίου της Νότιας Φλόριδα.Το παρόν σύστημα υποστήριξης αποφάσεων αξιοποιεί τα γεωμετρικά χαρακτηριστικά, τα χαρακτηριστικά υφής καθώς και την fractal δομή των ευρημάτων προκειμένου να παρέχει κατάταξη αυτών σε καλοήθη και κακοήθη. Η συνέπεια και η συνέχεια του κάθε μοντέλου εξασφαλίζονται με την αναδρομική και συνεχή τους εκπαίδευση καθώς νέες μαστογραφίες προστίθενται στην αποθήκη δεδομένων κατά την διάρκεια του κύκλου ζωής του συστήματος. Ένα σημαντικό πλεονέκτημα του συστήματος αυτού είναι η χρήση και προσπελασιμότητά του από το ιατρικό προσωπικό μέσω υπολογιστή ο οποίος είναι συνδεδεμένος στο διαδίκτυο μέσω οποιουδήποτε εύρους σύνδεσης (ευρυζωνικής ή μη) λόγω του αρχιτεκτονικού σχεδιασμού (thin client) που υλοποιήθηκε. The following diploma thesis has focused on the development of an online Decision Support System (DSS) for medical use, concerning breast tumor classification according to its pathology and other relevant cancerous lesions that have been marked on digital mammograms. The internet based application's purpose is to provide an accurate diagnosis support model for breast cancer screening.The system has been developed using image analysis, computer vision, data mining and web development techniques. The basic components of the system are: an image analysis algorithm and a hybrid data mining model responsible for the decision support. During the system's implementation, we also compared the statistical results of the following three classification models which have been used in this research: a back - propagation Neural Network (NN), a Classification and Regression Tree (CART) and a Rule Induction C5.0 classifier. For the models' training, a dataset of 635 mammographic images have been used. The dataset was acquired by the University of South Florida Digital Database for Screening Mammography. The DSS focuses on the exploitation of geometrical, texture and fractal characteristics of lesions in order to provide classification amongst benign and malignant findings. Model consistency and continuity is achieved by recursive training as new cases are added in the data warehouse in the project's lifecycle. Another important characteristic of this system is usability and access by health experts through any remote computer connected to the internet at any bandwidth due to its thin client architectural design.