Βαθιά μάθηση από ιατρικές εικόνες
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 δυνατότητε...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/12766 |
| id |
nemertes-10889-12766 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Ταξινόμηση ιατρικών εικόνων Εξαγωγή χαρακτηριστικών Αλγόριθμοι εκπαίδευσης Μετρικές αξιολόγησης Deep learning Convolutional neural networks Medical image classification Character export Algorithms of education Evaluation metrics 006.31 |
| spellingShingle |
Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Ταξινόμηση ιατρικών εικόνων Εξαγωγή χαρακτηριστικών Αλγόριθμοι εκπαίδευσης Μετρικές αξιολόγησης Deep learning Convolutional neural networks Medical image classification Character export Algorithms of education Evaluation metrics 006.31 Ζησιμοπούλου, Παναγιώτα Βαθιά μάθηση από ιατρικές εικόνες |
| description |
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. |
| author2 |
Κωτσιαντής, Σωτήριος |
| author_facet |
Κωτσιαντής, Σωτήριος Ζησιμοπούλου, Παναγιώτα |
| format |
Thesis |
| author |
Ζησιμοπούλου, Παναγιώτα |
| author_sort |
Ζησιμοπούλου, Παναγιώτα |
| title |
Βαθιά μάθηση από ιατρικές εικόνες |
| title_short |
Βαθιά μάθηση από ιατρικές εικόνες |
| title_full |
Βαθιά μάθηση από ιατρικές εικόνες |
| title_fullStr |
Βαθιά μάθηση από ιατρικές εικόνες |
| title_full_unstemmed |
Βαθιά μάθηση από ιατρικές εικόνες |
| title_sort |
βαθιά μάθηση από ιατρικές εικόνες |
| publishDate |
2019 |
| url |
http://hdl.handle.net/10889/12766 |
| work_keys_str_mv |
AT zēsimopouloupanagiōta bathiamathēsēapoiatrikeseikones AT zēsimopouloupanagiōta deeplearningfrommedicalimages |
| _version_ |
1771297152423690240 |
| spelling |
nemertes-10889-127662022-09-05T05:37:56Z Βαθιά μάθηση από ιατρικές εικόνες Deep learning from medical images Ζησιμοπούλου, Παναγιώτα Κωτσιαντής, Σωτήριος Καββαδίας, Δημήτριος Γράψα, Θεοδούλα Zisimopoulou, Panagiota Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Ταξινόμηση ιατρικών εικόνων Εξαγωγή χαρακτηριστικών Αλγόριθμοι εκπαίδευσης Μετρικές αξιολόγησης Deep learning Convolutional neural networks Medical image classification Character export Algorithms of education Evaluation metrics 006.31 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. The purpose of this postgraduate thesis is the study and implementation of the Convolutional Neural Networks and their use in the processing and classification of medical images. Due to the rapid development of science and technology, deep learning techniques offer many possibilities and have dominated several artificial intelligence problems nowadays. The aim of the thesis is to study both the theoretical and practical level of Neural Networks from their beginning to the present day, as well as techniques related to the classification of images in various medical data. The first part of the thesis includes the necessary theoretical background for the methods of classifying medical images and how they are perceived by a computer and as well as the necessary knowledge about Artificial Neural Networks. In particular, we will learn about the Convolutional Neural Networks used in deep learning, we will study their architectures and educate them. The second part of the dissertation deals with three medical imaging problems (CT Medical, Montgomery County X-rays, Shenzhen Hospital X-ray) in healthy and non-patients. Specifically, in a Python environment with the Keras and Tensorflow libraries, we create and train with various methods of optimizing Neural Networks that rank patient images to healthy and non-healthy patients. Different tests are made on network topology, image input size and network education algorithm. Finally, a comparison of the above tests is made in order to find the optimal training algorithm for the data problems and the optimal architecture. The comparison is based on some metrics such as accuracy, mean square error, F1 score. 2019-11-02T20:14:43Z 2019-11-02T20:14:43Z 2019-07-18 Thesis http://hdl.handle.net/10889/12766 gr 0 application/pdf |
