Μεθοδολογική συγκριτική ανάλυση αρχιτεκτονικών μοντέλων τεχνητής νοημοσύνης στην τμηματοποίηση (segmentation) γαστρεντερικών πολύποδων σε ιατρικές εικόνες του συνόλου δεδομένων Kvasir-SEG

Abstract

Η παρούσα διπλωματική εργασία εστιάζει στη χρήση της τεχνητής νοημοσύνης για την τμηματοποίηση ιατρικών εικόνων κολονοσκόπησης, με σκοπό τον εντοπισμό πολυπόδων και την ενίσχυση της πρόληψης του καρκίνου του παχέος εντέρου. Ο καρκίνος του παχέος εντέρου αποτελεί μία από τις κύριες αιτίες θανάτου παγκοσμίως, και η έγκαιρη διάγνωση και αφαίρεση πολυπόδων μπορεί να μειώσει δραστικά τη θνησιμότητα. Πιο συγκεκριμένα, μελετήθηκε το σύνολο δεδομένων Kvasir-SEG, το οποίο περιέχει 1.000 εικόνες ενδοσκοπικών πολυπόδων, και πραγματοποιήθηκε συγκριτική ανάλυση διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων για την κατάτμηση/τμηματοποίηση (segmentation) των πολυπόδων μετά από προσεκτική προεπεξεργασία των δεδομένων. Στην έρευνα αξιολογήθηκαν διάφορες αρχιτεκτονικές μοντέλων βαθιάς μάθησης, όπως το UNet, το SegResNet, το PSPNet και το DeepLabv3. Κάθε μοντέλο εκπαιδεύτηκε και αξιολογήθηκε με βάση την απόδοσή του σε μετρικές όπως η ακρίβεια (accuracy), η ευστοχία (precision), η ανάκληση (recall), το f1-score και η διασταύρωση επί ένωση (IoU). Τα αποτελέσματα κατέδειξαν την ανωτερότητα του DeepLabv3 στην ακρίβεια και την ικανότητα γενίκευσης, καθιστώντας το ιδανικό εργαλείο για την τμηματοποίηση πολυπόδων σε ιατρικές εικόνες. Επιπλέον, η εργασία προτείνει μελλοντικές βελτιώσεις μέσω της ενσωμάτωσης νέων αρχιτεκτονικών και της αξιοποίησης προεκπαιδευμένων δικτύων, όπως τα Transformers, για την περαιτέρω βελτίωση της απόδοσης. Η χρήση της τεχνητής νοημοσύνης αναδεικνύεται ως κρίσιμο εργαλείο για την αυτοματοποίηση και βελτίωση της ιατρικής διάγνωσης, προσφέροντας σημαντικές προοπτικές για την κλινική πρακτική. Συνολικά, η μελέτη ενισχύει την κατανόηση των δυνατοτήτων της τεχνητής νοημοσύνης στην ιατρική απεικόνιση και συμβάλλει στην ανάπτυξη καινοτόμων λύσεων που μπορούν να βελτιώσουν την υγειονομική περίθαλψη.