Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17058
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΤζώρτζη, Μαρία - Ιωάννα-
dc.date.accessioned2018-09-10T11:43:05Z-
dc.date.available2018-09-10T11:43:05Z-
dc.date.issued2018-09-10-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17058-
dc.description.abstractΤα τελευταία χρόνια έχει διαπιστωθεί μία ραγδαία ανάπτυξη στις τεχνικές της Όρασης Υπολογιστών (Computer Vision) και ιδιαίτερα σε αυτές που σχετίζονται με τη Βαθιά Μάθηση (Depp Learning). Ένα πολύ ενδιαφέρον πεδίο εφαρμογής των τεχνικών Βαθιάς Μάθησης είναι η κατάτμηση Εικόνας (Image Segmentation). Κάποιες από τις πρακτικές εφαρμογές της κατάτμησης εικόνας είναι η Ιατρική Απεικόνιση, συμπεριλαμβανομένων των εικόνων που έχουν παραχθεί από μαγνητική τομογραφία. Ο σκοπός αυτής της διπλωματικής εργασίας είναι η μελέτη εφαρμογών κατάτμησης εγκεφαλικών όγκων από μαγνητικό τομογράφο. Μία από τις κύριες προκλήσεις που αντιμετωπίστηκαν ήταν η εξεύρεση αξιόπιστης βάσης δεδομένων που να ήταν πλήρως ετικετοποιημένη. Οι ιατρικές εικόνες είναι δύσκολο να βρεθούν λόγω προβλημάτων ιδιωτικότητας. Οι εικόνες που χρησιμοποιήθηκαν προέρχονται από τη βάση δεδομένων του BRATS2017 - Multimodal Brain Tumor Segmentation Challenge 2017. Για τη μελέτη αυτής της βάσης δεδομένων χρησιμοποιήθηκαν νευρωνικά δίκτυα. Συγκεκριμένα χρησιμοποιήθηκε η δημοφιλής αρχιτεκτονική UNet που χρησιμοποιείται ευρέως και επιτυγχάνει εξαιρετική απόδοση για την κατάτμηση ιατρικών εικόνων. Για τους σκοπούς της διπλωματικής έγινε μια τροποποίηση της αρχιτεκτονικής ώστε να μην χρειάζεται ένα συγκεκριμένο μέγεθος εισόδου για να ταιριάζει στο μοντέλο, αλλά να μπορεί να παίρνει σαν είσοδο ένα αυθαίρετο μέγεθος. Επιπλέον χρησιμοποιήθηκε η αρχιτεκτονική Fully Convolutional DenseNet, η οποία είναι ένας συνδυασμός της αρχιτεκτονικής FCN και της DenseNet. Με αυτό τον τρόπο υπάρχει η δυνατότητα επεξεργασίας εικόνων αυθαίρετου μεγέθους, μεγαλύτερη αποτελεσματικότητα των παραμέτρων καθώς επίσης όλα τα επίπεδα μπορούν να έχουν εύκολη πρόσβαση στα προηγούμενα επίπεδα, καθιστώντας εύκολη την επαναχρησιμοποίηση της πληροφορίας. Για την αξιολόγηση των μοντέλων αυτών χρησιμοποιήθηκαν ορισμένες μετρικές. Συγκρίνοντας όλα τα μοντέλα για κάθε μετρική που χρησιμοποιήθηκε παρατηρείται ότι τα καλύτερα μοντέλα ήταν αυτά που είχαν εκπαιδευθεί αγνοώντας την τελευταία ετικέτα. Για τα καλύτερα αυτά μοντέλα πιο αξιόπιστες μετρικές για το σκοπό της διπλωματικής αποδειχθηκαν οι μετρικές accuracy_ignoring_last_label και jaccard.en_US
dc.languageelen_US
dc.subjectΤεχνητή Νοημοσύνη, Βαθιά Μάθηση, Κατάτμηση Εγκεφαλικού Όγκου, UNet, FCN-DenseNet, Μετρικέςen_US
dc.titleΑνίχνευση Εγκεφαλικών Όγκων με χρήση τεχνικών Βαθιάς Μάθησηςen_US
dc.description.pages84en_US
dc.contributor.supervisorΣταφυλοπάτης Ανδρέας-Γεώργιοςen_US
dc.departmentΤομέας Τεχνολογίας Πληροφορικής και Υπολογιστώνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Diploma_Thesis2.pdf4.15 MBAdobe PDFView/Open


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