Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές
Τα συστήματα διάγνωσης με την βοήθεια του υπολογιστή αλλά και οι διαθέσιμες τεχνολογίες που αυξάνουν τις ικανότητες των ειδικών είναι ένα ραγδαία αναπτυσσόμενο πεδίο. Ακολουθώντας τις πρόσφατες εξελίξεις σε αυτό τον τομέα η παρούσα ερευνητική εργασία μελετά πιθανές εφαρμογές στην υπερηχοτομογραφία τ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/12232 |
| id |
nemertes-10889-12232 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-122322022-09-05T20:33:25Z Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές Analysis of ultrasound images with machine learning techniques - musculoskeletal applications Κατάκης, Σοφοκλής Φωτόπουλος, Σπυρίδων Φωτόπουλος, Σπυρίδων Οικονόμου, Γεώργιος Παναγιωτάκης, Γεώργιος Katakis, Sofoklis Ταξινόμηση Φύλο Τύπος του μυός Classification Gender Type of muscle 616.707 543 Τα συστήματα διάγνωσης με την βοήθεια του υπολογιστή αλλά και οι διαθέσιμες τεχνολογίες που αυξάνουν τις ικανότητες των ειδικών είναι ένα ραγδαία αναπτυσσόμενο πεδίο. Ακολουθώντας τις πρόσφατες εξελίξεις σε αυτό τον τομέα η παρούσα ερευνητική εργασία μελετά πιθανές εφαρμογές στην υπερηχοτομογραφία του μυοσκελετικού συστήματος. Για το σκοπό αυτό αρχικά καταγράφηκε μία βάση δεδομένων που αποτελείται από υπερηχογραφικές εικόνες σε διάφορα μέρη του μυοσκελετικού συστήματος 74 νεαρών υγειών ατόμων. Οι υπερηχογραφικές εικόνες πάρθηκαν από 4 διαφορετικούς μυς του ανθρώπινου συστήματος σε δύο διαφορετικές λήψεις. Οι μυς αυτοί είναι ο δικέφαλος βραχιόνιος, ο τετρακέφαλος μηριαίος, ο πρόσθιος κνημιαίος και ο γαστροκνήμιος. Στην συνέχεια πραγματοποιήθηκαν τρία προβλήματα ταξινόμησης με τεχνικές Μηχανικής αλλά και Βαθιάς Μάθησης. Τα προβλήματα αυτά ήταν η αναγνώριση του φύλου του κάθε ατόμου, της κυρίαρχης πλευράς του αλλά και ο σωστός προσδιορισμός του τύπου του μυός μέσα από την υφή της υπερηχογραφικής εικόνας σε κάθε μυ. Από τα αποτελέσματα προκύπτει ότι όσων αφορά το πρόβλημα του φύλου των ατόμων διαχωρίζεται καλύτερα σε κάποιες τομές. Στο πρόβλημα του τύπου του μυός φαίνεται ότι είναι εφικτή η πλήρης διαχώριση του ενώ στην αναγνώριση της κυρίαρχης πλευράς δεν μπορεί να προκύψει ασφαλές συμπέρασμα. Τέλος, πραγματοποιήθηκαν διάφορες αναλύσεις για να αξιολογήσουμε την δυνατότητα γενίκευσης του μοντέλου που προτείνουμε αλλά και την αξιοπιστία του. Τα ευρήματα της εργασίας δείχνουν ότι ένα σύστημα Μηχανικής Μάθησης είναι σε θέση να αποκτήσει εμπειρία από μυοσκελετικές εικόνες υπερηχοτομογραφίας, ανοίγοντας το δρόμο για την δημιουργία εφαρμογών υποβοηθούμενης διάγνωσης. Human assistive technology and computer aided diagnosis is an emerging field in the area of medical imaging. Following the recent advances in this domain, a study for potential applications in the ultrasonography of the musculoskeletal system was conducted. This thesis focuses on 3 different classification tasks namely muscle type classification, dominant side identification and gender recognition from musculoskeletal ultrasound images. The contribution is three-fold. Firstly, the largest privately held dataset of 74 healthy subjects was created during this project and is presented. This dataset includes ultrasound images from 4 different types of muscles of the human body namely tibialis anterior, gastrocnemius medialis, biceps brachii and quadriceps femoris recorded in 2 distinctive angles. Secondly, different feature extraction techniques were incorporated in order the 3 classification tasks that we mentioned earlier to be addressed. More specifically, a proposal of a robust method that allows the extraction of a high-level feature representation by encoding the distribution of locally invariant texture descriptors is presented for first time in these types of problems. Thirdly, the incorporation of the transfer learning scheme, for evaluating the performance of features that are extracted from different deep convolutional neural networks is realized. Finally, different analysis has been made in order to determine if the proposed methodology can generalize well in new samples. The findings of this thesis are demonstrating that a Machine Learning system is able to gain experience from musculoskeletal ultrasound images, paving the way for the development of Computer Aided Diagnostic systems in this type of medical image modality. 2019-06-30T11:00:10Z 2019-06-30T11:00:10Z 2018-06-15 Thesis http://hdl.handle.net/10889/12232 gr 12 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ταξινόμηση Φύλο Τύπος του μυός Classification Gender Type of muscle 616.707 543 |
| spellingShingle |
Ταξινόμηση Φύλο Τύπος του μυός Classification Gender Type of muscle 616.707 543 Κατάκης, Σοφοκλής Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| description |
Τα συστήματα διάγνωσης με την βοήθεια του υπολογιστή αλλά και οι διαθέσιμες τεχνολογίες που αυξάνουν τις ικανότητες των ειδικών είναι ένα ραγδαία αναπτυσσόμενο πεδίο. Ακολουθώντας τις πρόσφατες εξελίξεις σε αυτό τον τομέα η παρούσα ερευνητική εργασία μελετά πιθανές εφαρμογές στην υπερηχοτομογραφία του μυοσκελετικού συστήματος. Για το σκοπό αυτό αρχικά καταγράφηκε μία βάση δεδομένων που αποτελείται από υπερηχογραφικές εικόνες σε διάφορα μέρη του μυοσκελετικού συστήματος 74 νεαρών υγειών ατόμων. Οι υπερηχογραφικές εικόνες πάρθηκαν από 4 διαφορετικούς μυς του ανθρώπινου συστήματος σε δύο διαφορετικές λήψεις. Οι μυς αυτοί είναι ο δικέφαλος βραχιόνιος, ο τετρακέφαλος μηριαίος, ο πρόσθιος κνημιαίος και ο γαστροκνήμιος. Στην συνέχεια πραγματοποιήθηκαν τρία προβλήματα ταξινόμησης με τεχνικές Μηχανικής αλλά και Βαθιάς Μάθησης. Τα προβλήματα αυτά ήταν η αναγνώριση του φύλου του κάθε ατόμου, της κυρίαρχης πλευράς του αλλά και ο σωστός προσδιορισμός του τύπου του μυός μέσα από την υφή της υπερηχογραφικής εικόνας σε κάθε μυ. Από τα αποτελέσματα προκύπτει ότι όσων αφορά το πρόβλημα του φύλου των ατόμων διαχωρίζεται καλύτερα σε κάποιες τομές. Στο πρόβλημα του τύπου του μυός φαίνεται ότι είναι εφικτή η πλήρης διαχώριση του ενώ στην αναγνώριση της κυρίαρχης πλευράς δεν μπορεί να προκύψει ασφαλές συμπέρασμα. Τέλος, πραγματοποιήθηκαν διάφορες αναλύσεις για να αξιολογήσουμε την δυνατότητα γενίκευσης του μοντέλου που προτείνουμε αλλά και την αξιοπιστία του. Τα ευρήματα της εργασίας δείχνουν ότι ένα σύστημα Μηχανικής Μάθησης είναι σε θέση να αποκτήσει εμπειρία από μυοσκελετικές εικόνες υπερηχοτομογραφίας, ανοίγοντας το δρόμο για την δημιουργία εφαρμογών υποβοηθούμενης διάγνωσης. |
| author2 |
Φωτόπουλος, Σπυρίδων |
| author_facet |
Φωτόπουλος, Σπυρίδων Κατάκης, Σοφοκλής |
| format |
Thesis |
| author |
Κατάκης, Σοφοκλής |
| author_sort |
Κατάκης, Σοφοκλής |
| title |
Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| title_short |
Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| title_full |
Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| title_fullStr |
Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| title_full_unstemmed |
Ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| title_sort |
ανάλυση υπερηχογραφικής εικόνας με τεχνικές μηχανικής εκμάθησης - μυοσκελετικές εφαρμογές |
| publishDate |
2019 |
| url |
http://hdl.handle.net/10889/12232 |
| work_keys_str_mv |
AT katakēssophoklēs analysēyperēchographikēseikonasmetechnikesmēchanikēsekmathēsēsmyoskeletikesepharmoges AT katakēssophoklēs analysisofultrasoundimageswithmachinelearningtechniquesmusculoskeletalapplications |
| _version_ |
1771297312991084544 |
