| Περίληψη: | Τα τελευταία χρόνια, μέθοδοι βαθιάς μάθησης και κυρίως τα συνελικτικά νευρωνικά δίκτυα (‘CNN’) έχουν επιτυχή εφαρμογή σε διάφορους τομείς, όπως σε επεξεργασία φυσικής γλώσσας, σε ανακάλυψη φαρμάκων, αναγνώριση προσώπου, αλλά κυρίως αποτελούν μια ισχυρή μέθοδο για επίλυση προβλημάτων κατηγοριοποίησης και αναγνώρισης εικόνων, καθώς και τμηματοποίηση - κατάτμηση στοιχείων από εικόνες.
Η επιτυχής εφαρμογή των μεθόδων αυτών στους παραπάνω τομείς, είχε ως φυσικό επακόλουθο και την εφαρμογή τους στον τομέα της υγείας. Ο τομέας αυτός αποτελεί πρόκληση καθώς είναι υψηλής προτεραιότητας τομέας από τον οποίο οι άνθρωποι αναμένουν υψηλής ποιότητας παροχές υγείας, ανεξαρτήτως κόστους.
Στην διπλωματική εργασία θα μελετηθούν οι τρόποι προεπεξεργασίας ιατρικών εικόνων αξονικής τομογραφίας και η επίδρασή τους, συνδυαστικά, στην απόδοση ενός αλγορίθμου διαχωρισμού και κατάτμησης κοιλιακών οργάνων σχεδιασμένο σε ‘CNN’. Σκοπός της είναι η δημιουργία κώδικα (σε γλώσσα προγραμματισμού ‘Python’) που να αυτοματοποιεί τον βέλτιστο τρόπο προεπεξεργασίας ιατρικών εικόνων αξονικής τομογραφίας, πριν αυτές χρησιμοποιηθούν στο επίπεδο εκπαίδευσης (‘training set’) αλγορίθμου μηχανικής μάθησης για προβλήματα κατάτμησης κοιλιακών οργάνων.
Οι τεχνικές βαθιάς μάθησης απαιτούν μεγάλη ποσότητα δεδομένων που θα χρησιμοποιηθούν στο επίπεδο της εκπαίδευσης. Η συγκέντρωσή τους είναι εξαιρετικά δύσκολή, ειδικά στον τομέα της ιατρικής απεικόνισης, που η παραγωγή, η συλλογή και επεξεργασία αυτών βασίζεται αποκλειστικά σε εξειδικευμένο προσωπικό. Η συμμετοχή στο ‘CHAOS – Combined (CT-MRI) Healthy Abdominal Organ Segmentation’ διαγωνισμό, που πραγματοποιείτε στα πλαίσια του ‘The IEEE International Symposium on Biomedical Imaging (ISBI)’ στην Βενετία για το 2019, μας εξασφάλισε τα δεδομένα που χρειαζόμασταν. Τα δεδομένα αυτά αποτελούν εγκάρσιες εικόνες αξονικής τομογραφίας άνω κοιλίας από υποψήφιους δότες ήπατος, με υγιές ήπαρ. Έχουν ληφθεί από 20 διαφορετικούς εξεταζόμενους σε 3 διαφορετικούς αξονικούς τομογράφους και σε φάση αιματικής δεξαμενής (70-80 δευτερόλεπτα μετά την ενδοφλέβια χορήγηση σκιαγραφικής ουσίας). Μαζί με τις προαναφερθείσες εικόνες, μας δόθηκαν και εικόνες με μόνο το ήπαρ σε αντιστοιχία με τις αρχικές (‘ground’ εικόνες).
Σε αυτό το σύνολο εικόνων, θα εφαρμοστούν διαφορετικές τεχνικές προεπεξεργασίας, με τις οποίες θα συγκριθούν, βάση των αποτελεσμάτων του αλγορίθμου που θα κάνει διαχωρισμό του ήπατος. Τελικός στόχος είναι να βρεθούν οι μέθοδοι που πραγματικά έχουν αντίκτυπο στην βελτιστοποίηση του αλγόριθμου. Ένα σημαντικό βήμα προεπεξεργασίας που πρέπει να αναφέρουμε, είναι η ενίσχυση των δεδομένων (‘Image Data Augmentation’). Αφορά τεχνικές μετασχηματισμού, με σκοπό αφενός να δημιουργήσουμε επαρκή δεδομένα και αφετέρου να ενισχυθεί ο αλγόριθμος στην αναγνώριση διαφορετικών και ποικίλων προτύπων.
Τον σχεδιασμό και την βελτιστοποίηση του ‘Convolution Neural Network’ την πραγματοποιεί ο Κ. Λίβανος Γεώργιος. Φυσικά γνωρίζοντας την πολυπλοκότητα του μοντέλου και την ανάγκη για τεράστια υπολογιστική ισχύ και πόρους κατά την φάση της εκπαίδευσης, γίνεται χρήση των υπερυπολογιστικών υπηρεσιών του ΕΔΕΤ (Εθνικό Δίκτυο Έρευνας και Τεχνολογίας).
|
|---|
