| Περίληψη: | Αντικείμενο της παρούσας μεταπτυχιακής διπλωματικής εργασίας είναι η μελέτη και η υλοποίηση Συνελικτικών Νευρωνικών Δικτύων για την επεξεργασία και την ταξινόμηση ιατρικών εικόνων.
Λόγω της ραγδαίας ανάπτυξης της επιστήμης και της τεχνολογίας οι τεχνικές βαθιάς μάθησης προσφέρουν πολλές δυνατότητες και έχουν κυριαρχήσει σε αρκετά προβλήματα τεχνητής νοημοσύνης στις μέρες μας. Σκοπός της εργασίας είναι η ενασχόληση τόσο σε θεωρητικό, όσο και σε πρακτικό επίπεδο με τα Νευρωνικά Δίκτυα από την απαρχή τους έως και σήμερα καθώς και με τεχνικές ταξινόμησης εικόνων σε διάφορα ιατρικά δεδομένα.
Το πρώτο μέρος της διπλωματικής εργασίας περιλαμβάνει το απαραίτητο θεωρητικό υπόβαθρο για τις μεθόδους ταξινόμησης ιατρικών εικόνων και το πώς τις αντιλαμβάνεται ένας υπολογιστής καθώς και τις απαραίτητες γνώσεις σχετικά με τα Τεχνητά Νευρωνικά Δίκτυα και την εκπαίδευσή τους. Πιο συγκεκριμένα, θα ασχοληθούμε με τα Συνελικτικά Νερωνικά Δίκτυα που χρησιμοποιούνται στη βαθιά μάθηση, θα μελετήσουμε τις αρχιτεκτονικές τους και θα τα εκπαιδεύσουμε.
Το δεύτερο μέρος της διπλωματικής εργασίας αφορά τρία ιατρικά προβλήματα ταξινόμησης εικόνων(CT Medical, Montgomery County X-rays, Shenzhen Hospital X-ray) σε υγιείς και μη ασθενείς. Συγκεκριμένα, σε περιβάλλον Python με τις βιβλιοθήκες Keras και Tensorflow δημιουργούμε και εκπαιδεύουμε με διάφορες μεθόδους βελτιστοποίησης Συνελικτικά Νευρωνικά Δίκτυα που ταξινομούν τις εικόνες των ασθενών σε υγιείς και μη. Γίνονται διάφορες δοκιμές όσον αφορά την τοπολογία των δικτύων, το μέγεθος εισαγωγής των εικόνων και του αλγορίθμου εκπαίδευσης των δικτύων. Τέλος, γίνεται μια σύγκριση των παραπάνω δοκιμών ώστε να βρεθεί ο βέλτιστος αλγόριθμος εκπαίδευσης για τα δεδομένα προβλήματα και της βέλτιστης αρχιτεκτονικής. Η σύγκριση γίνεται με βάση κάποιες μετρικές όπως η ακρίβεια, το μέσο τετραγωνικό σφάλμα, το F1 score.
|
|---|
