Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων
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...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/13551 |
| id |
nemertes-10889-13551 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Συνελικτικά νευρωνικά δίκτυα Προεπεξεργασία Τμηματοποίηση ιατρικής εικόνας Τμηματοποίηση κοιλιακών οργάνων Preprocessing Segmentation |
| spellingShingle |
Συνελικτικά νευρωνικά δίκτυα Προεπεξεργασία Τμηματοποίηση ιατρικής εικόνας Τμηματοποίηση κοιλιακών οργάνων Preprocessing Segmentation Καραγγελής, Απόστολος Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| description |
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). |
| author2 |
Karangelis, Apostolos |
| author_facet |
Karangelis, Apostolos Καραγγελής, Απόστολος |
| author |
Καραγγελής, Απόστολος |
| author_sort |
Καραγγελής, Απόστολος |
| title |
Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| title_short |
Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| title_full |
Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| title_fullStr |
Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| title_full_unstemmed |
Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| title_sort |
βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/13551 |
| work_keys_str_mv |
AT karangelēsapostolos beltistopoiēsēproepexergasiasgiatmēmatopoiēsēiatrikēseikonasmechrēsēsyneliktikōnneurōnikōndiktyōn AT karangelēsapostolos optimizedpreprocessingfororgansegmentationusingcnns |
| _version_ |
1771297343912542208 |
| spelling |
nemertes-10889-135512022-09-05T20:35:35Z Βελτιστοποίηση προεπεξεργασίας για τμηματοποίηση ιατρικής εικόνας με χρήση συνελικτικών νευρωνικών δικτύων Optimized preprocessing for organ segmentation using CNNs Καραγγελής, Απόστολος Karangelis, Apostolos Συνελικτικά νευρωνικά δίκτυα Προεπεξεργασία Τμηματοποίηση ιατρικής εικόνας Τμηματοποίηση κοιλιακών οργάνων Preprocessing Segmentation 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). In recent years, deep learning methods and mainly the convolutional neural networks (CNNs) applied to video analysis techniques, natural language processing, in drug discovery, face recognition, recognition of handwritten digits, but primarily constitute a powerful method for resolving image classification, image recognition, and segmentation problems. After the successful application of the above methods in various fields, it was a natural consequence to be applied to the health sector. It is a very challenging sector, as it significantly differs from others. It is a high priority area from which people expect high-quality health services, regardless of cost. Additionally, medical images are collected and processed by specialized medical staff, something that makes them limited in availability. The continuous development of medical equipment and the data that are generated, cause us to analyze them. The need for applying machine learning techniques is imperative, because not only are produced and processed by many different health care professionals (subjectivity), but they are prone to human error and show large variations between different experts. The above difficulties make the segmentation of abdominal organs from CT and/or MRI images very challenging. The heterogeneity shown in these images, the unique anatomy of each patient, the different positioning of the patients to the examination table, and the relative position of organs and other anatomical structures are further difficulties that make the problem of segmentation complicated. It is worth mentioning that anatomical structures of a patient, which were examined under the same conditions on the same machine (CT or MRI scanner) and for the same anatomical region may vary from time to time. Despite the difficulties, researchers, in recent articles, showed that segmentation using CNN in images (including and medical ones) can be done and achieve excellent accuracy. Driven of these quite encouraging work and papers showing that medical data segmentation is an important first step in computer-aided detection algorithms. In the present thesis, we will use CT and MRI scans to make an algorithm based on convolutional neural networks, capable of doing healthy liver segmentation. Deep learning techniques require a large amount of data to be used at the training stage. To achieve that, we applied different preprocessing techniques to the dataset provided. The goal is to find methods that have an impact on the optimization of the algorithm. An important pre-processing step is Image Data Augmentation. It includes transformation techniques in order both to create sufficient data and to enhance the algorithm to recognize different and diverse patterns. The data pre-processing will be done in programming language 'Python' using libraries designed for image processing such as OpenCV, NumPy, Pydicom, etc. The Convolution Neural Network will have several layers i.e., sufficient depth and small convolution filters (3x3). This will increase the accuracy of the model. By increasing the number of layers, the ability of the model to pattern recognition and the complexity also increases. Consequently, it needs massive computing power and resources during the training phase. To meet these needs, we request services from GRNET (Greek Research and Technology Network). 2020-07-12T13:56:10Z 2020-07-12T13:56:10Z 2020-05-29 http://hdl.handle.net/10889/13551 gr application/pdf |
