Τμηματοποίηση εικόνων μαγνητικής τομογραφίας για εντοπισμό όγκων: Σύγκριση μεθόδων με Συνελικτικά Νευρωνικά Δίκτυα

Abstract

Ο καρκίνος του εγκεφάλου αποτελεί μια από τις πιο σοβαρές προκλήσεις για τη σύγχρονη ιατρική, λόγω της πολυπλοκότητας της ανατομίας του εγκεφάλου, της ετερογένειας των όγκων και των κινδύνων που συνεπάγεται η κλασική χειρουργική ή ακτινοθεραπευτική προσέγγιση. Η ακριβής τμηματοποίηση όγκων σε εικόνες μαγνητικής τομογραφίας (MRI) είναι ζωτικής σημασίας για τη διάγνωση, τον σχεδιασμό θε- ραπείας και την παρακολούθηση της πορείας της νόσου. Ωστόσο, η χειροκίνητη σήμανση από εξειδικευ- μένους νευροακτινολόγους είναι χρονοβόρα, επιρρεπής σε υποκειμενικότητα και δύσκολα κλιμακώσιμη. Η παρούσα εργασία εστιάζει στη συγκριτική αξιολόγηση σύγχρονων αρχιτεκτονικών βαθιάς μάθη- σης για την αυτόματη τμηματοποίηση όγκων εγκεφάλου. Αναπτύχθηκε πλήρης πειραματικός αγωγός, που περιλαμβάνει προεπεξεργασία και κανονικοποίηση MRI όγκων, patch-based εκπαίδευση με στο- χαστικές επαυξήσεις, και αξιολόγηση με βάση τον Dice score. Τέσσερις διαφορετικές αρχιτεκτονικές συγκρίθηκαν υπό ενιαίο pipeline: η UNet ως καθιερωμένη baseline, η VNet με τρισδιάστατες συνελί- ξεις, η SegResNet με εκτεταμένα residual blocks και η SwinUNETR, ένα υβρίδιο CNN/Transformer με self-attention. Τα αποτελέσματα έδειξαν ότι όλα τα μοντέλα συγκλίνουν επιτυχώς, με διαφορετικά όμως χαρακτη- ριστικά: η UNet προσφέρει εξαιρετική ισορροπία απλότητας και ακρίβειας, η SegResNet παρουσιάζει βελτιωμένη σταθερότητα, η VNet αξιοποιεί πλήρως το τρισδιάστατο συμφραζόμενο αλλά με μεγαλύτερη διακύμανση, ενώ η SwinUNETR κατέγραψε τη συνολικά καλύτερη απόδοση. Η εργασία καταλήγει ότι οι υβριδικές αρχιτεκτονικές με attention μηχανισμούς εμφανίζουν σημαντικές προοπτικές για μελλοντική έρευνα, χωρίς όμως να αναιρείται η πρακτική αξία απλούστερων δικτύων όπως η U‐Net. Η μελέτη αυτή συμβάλλει στη βαθύτερη κατανόηση των πλεονεκτημάτων και περιορισμών διαφορε- τικών μεθοδολογιών τμηματοποίησης και θέτει τις βάσεις για περαιτέρω έρευνα με πολυκλαδικές προ- σεγγίσεις, μεγαλύτερα datasets και βελτιστοποίηση υπολογιστικής απόδοσης, ώστε τέτοιες μέθοδοι να καταστούν περισσότερο εφαρμόσιμες στην καθημερινή κλινική πράξη.