Αυτοματοποιημένη Κατάτμηση Οργάνων και Όγκων σε Αξονικές Τομογραφίες: Διερεύνηση της Σύνθετης Κλιμάκωσης στην Αρχιτεκτονική U-Net

Abstract

Η εφαρμογή προηγμένων τεχνικών κατάτμησης ιατρικών εικόνων αποτελεί σημαντική καινοτομία, προσφέροντας πολύτιμες πληροφορίες για την ανάλυση και τον εντοπισμό καρκινικών όγκων σε αξονικές τομογραφίες. Η κατάτμηση αυτών των εικόνων χρησιμοποιείται τόσο για τη διάγνωση όσο και για τη θεραπευτική παρακολούθηση των ασθενών. Η αυτοματοποίηση αυτής της διαδικασίας επιτυγχάνεται με τη σημασιολογική κατάτμηση. Η Μηχανική Μάθηση έχει φέρει επανάσταση στην ιατρική, επιτρέποντας την ανάπτυξη αλγορίθμων που μπορούν να εκπαιδευτούν σε σύνολα δεδομένων για την ανάλυση εικόνων και αναγνώριση περιοχών ενδιαφέροντος με μεγάλη ακρίβεια. Με τη χρήση αυτών των αλγορίθμων, είναι δυνατή η βελτίωση της ακρίβειας στη διάγνωση, η παρακολούθηση της εξέλιξης ασθενειών, και η εξατομικευμένη θεραπεία. Τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNNs) αποτελούν ένα από τα πιο ισχυρά εργαλεία της Μηχανικής Μάθησης και έχουν αποδειχθεί ιδιαίτερα αποτελεσματικά στην επεξεργασία ιατρικών εικόνων. Τα Συνελικτικά Νευρωνικά Δίκτυα αποδεικνύονται ιδιαίτερα αποτελεσματικά στην αναγνώριση χαρακτηριστικών και στην κατάτμηση εικόνων. Ειδικά στην κατάτμηση ιατρικών εικόνων, επιτρέπουν την ακριβή κατηγοριοποίηση των εικονοστοιχείων των εικόνων και την απομόνωση παθολογικών περιοχών, όπως καρκινικοί όγκοι. Στην παρούσα εργασία, χρησιμοποιήθηκε η αρχιτεκτονική U-Net, ένα συνελικτικό δίκτυο που έχει δημιουργηθεί για τη σημασιολογική κατάτμηση ιατρικών εικόνων με μεγάλη ακρίβεια. Το δίκτυο αυτό εκπαιδεύτηκε σε αξονικές τομογραφίες οργάνων και καρκινικών όγκων, σε συνδυασμό με την εφαρμογή της μεθόδου σύνθετης κλιμάκωσης του δικτύου EfficientNet με στόχο την διερεύνηση της επίδρασης της μεθόδου στην ακρίβεια του μοντέλου.