Ανάλυση ιατρτικών εικόνων με χρήση τεχνικών βαθιάς μηχανικής μάθησης

Abstract

Ο τομέας της τεχνητής νοημοσύνης έχει παρουσιάσει μια ραγδαία ανάπτυξη τα τελευταία χρόνια και αυτό οφείλεται αρκετά στην μηχανική μάθηση και ειδικότερα στην εξέλιξη των νευρωνικών δικτύων και τη βαθιά μηχανική μάθηση. Με τον όρο deep learning εννοούμε τη χρήση νευρωνικών δικτύων πολλών στρωμάτων για τη ανάλυση και εύρεση μοτίβων σε πολλά δεδομένα. Η εφαρμογή αυτής της τεχνολογίας ποικίλλει ενώ κάθε μέρα παρουσιάζονται καινούριοι δρόμοι για την χρησιμοποίηση της.

Σκοπός αυτής της εργασίας είναι αρχικά η παρουσίαση του τομέα της βαθιάς μηχανικής μάθησης ξεκινώντας από βασικές έννοιες και έπειτα εξειδικεύοντας στην ανάλυση και επεξεργασία εικόνας. Παρουσιάζονται και αναλύονται όλες οι πτυχές που απαρτούν ένα νευρωνικό δίκτυο, με σκοπό την εφαρμογή στην υπολογιστική όραση, όπως το κλασσικό νευρωνικό δίκτυο,το συνελικτικό δίκτυο και η διαδικασία εκπαίδευσης τους μέσω συναρτήσεων σφάλματος, αλγόριθμο απότομης καθόδου κλπ. Επίσης παρουσιάζονται μέθοδοι για την αξιολόγηση τέτοιων μοντέλων αλλά και έννοιες που χρησιμεύουν στην ανίχνευση αντικειμένων σε εικόνες και την κατάτμηση τους. Έπειτα γίνεται μια παρουσίαση από κάποιες συγκεκριμένες τεχνολογίες και αρχιτεκτονικές μοντέλων βασισμένες στα συνελικτικά δίκτυα που θεωρούνται state of the art μέχρι και την ολοκλήρωση της παρούσας εργασίας. Αυτά τα μοντέλα θα χρησιμοποιηθούν και στο πειραματικό μέρος της εργασίας.

Αφότου ολοκληρωθεί η παραπάνω περιγραφή και έχουν τεθεί τα θεμέλια για την κατανόηση των τεχνολογιών προχωράμε σε μια εφαρμογή τους στην επίλυση ενός προβλήματος ιατρικής σημασίας. Συγκεκριμένα επικεντρωνόμαστε στην ανάλυση και επεξεργασία δερματικών σπίλων με σκοπό πρώτον τον προσδιορισμό των ορίων μέσω segmentation και έπειτα την ταξινόμηση τους σε διάφορες κλάσεις. Μέσα σε αυτές τις κλάσεις ανήκει και το γνωστό μελάνωμα που αποτελεί καρκίνο του δέρματος και είναι ιδιαίτερα επιθετικό καθώς και άλλες μορφές καρκινώματος. Ο σκοπός μας είναι να εφαρμόσουμε όσες περισσότερες τεχνικές προ επεξεργασίας και εκπαίδευσης διαθέτουμε για να μεγιστοποιήσουμε την απόδοση του μοντέλου μας στην είσοδο νέων δεδομένων. Για αυτό δοκιμάζουμε διάφορες παραμέτρους και εκδόσεις αρχιτεκτονικών και τις συγκρίνουμε επιλέγοντας τις καλύτερες.

Τέλος συνδυάζουμε τα δύο προβλήματα της κατάτμησης και της ταξινόμησης για να δημιουργήσουμε ένα τελικό αποτέλεσμα ενός δίαυλου επεξεργασίας της εικόνας όπως τη λαμβάνουμε από το στάδιο της δερμοσκόπησης. Από την απόδοση που πετύχαμε καταλήγουμε σε διάφορα συμπεράσματα για την χρησιμότητα ενός τέτοιου εργαλείου σε πραγματικές εφαρμογές και αναφερόμαστε σε τρόπους περαιτέρω βελτίωσης με τεχνικές που χρησιμοποιούνται κατά κόρον σήμερα σε τέτοια προβλήματα.