Κατάτμηση αιμοφόρων αγγείων αμφιβληστροειδούς χρησιμοποιώντας τεχνικές βαθιάς μηχανικής μάθησης

Abstract

Η κατάτμηση των αγγείων του αμφιβληστροειδούς είναι ένα κρίσιμο βήμα για διάφορες ιατρικές εφαρμογές, καθώς χρησιμοποιείται ευρέως για την παρακολούθηση της εξέλιξης της νόσου και την αξιολόγηση διαφόρων οφθαλμολογικών ασθενειών. Ωστόσο, η χειροκίνητη κατάτμηση αγγείων από εκπαιδευμένους ειδικούς είναι μια επαναλαμβανόμενη και χρονοβόρα διαδικασία. Τις τελευταίες δύο δεκαετίες, έχουν εισαχθεί πολλές προσεγγίσεις για την αυτόματη τμηματοποίηση των αγγείων του αμφιβληστροειδούς. Με τις πιο πρόσφατες εξελίξεις στον τομέα των νευρωνικών δικτύων και της βαθιάς μάθησης, έχουν εφαρμοστεί πολλαπλές μέθοδοι με έμφαση στην κατάτμηση και την οριοθέτηση των αιμοφόρων αγγείων. Οι μέθοδοι Deep Learning, όπως τα Συνελικτικά Νευρωνικά Δίκτυα (CNN), έχουν γίνει πρόσφατα μια από τις νέες τάσεις στον τομέα του Computer Vision. Η ικανότητά τους να βρίσκουν ισχυρούς χωρικούς τοπικούς συσχετισμούς στα δεδομένα σε διαφορετικά επίπεδα αφαίρεσης τους επιτρέπει να μάθουν ένα σύνολο φίλτρων που είναι χρήσιμα για τη σωστή τμηματοποίηση των δεδομένων όταν τους δίνεται ένα σετ εκπαίδευσης με ετικέτες. Στην παρούσα διπλωματική εργασία μελετώνται δύο διαφορετικές προσεγγίσεις που βασίζονται σε τεχνικές βαθιάς μάθησης για την κατάτμηση των αιμοφόρων αγγείων του αμφιβληστροειδούς. Η πρώτη προσέγγιση βασίζεται στην ταξινόμηση ανά τεμάχιο εικόνας και η δεύτερη στην τμηματοποίηση βάση pixel. Από τα μοντέλα που θα εφαρμοστούν θα επιλέξουμε το πιο αποτελεσματικό από κάθε προσέγγιση και, τέλος, θα κατασκευάσουμε ένα σύστημα που μπορεί να συνδυάσει τις δύο προσεγγίσεις βαθιάς μάθησης προκειμένου να βελτιστοποιηθούν τα αποτελέσματα, βασισμένο στην Εκμάθηση Συνόλου ή Ensemble Learning.