| Περίληψη: | Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και η αξιολόγηση ενός συστήματος αυτόματης ανίχνευσης και ταξινόμησης μη κανονικού ιστού του μαστού χρησιμοποιώντας μαστογραφίες. Η προτεινόμενη μέθοδος βασίζεται στην επιστράτευση του βαθέως συνελικτικού νευρωνικού δικτύου Mask R-CNN το οποίο χρησιμοποιείται για ανίχνευση και ταξινόμηση περιοχών ενδιαφέροντος σε εικόνες προσφέροντας ακριβή ανίχνευση αυτών σε επίπεδο pixel εκτιμώντας για καθεμία μία δυαδική μάσκα που φανερώνει τη μορφολογία της. Η υλοποίηση του συστήματος έγινε σε περιβάλλον Python χρησιμοποιώντας ως βασικό πυλώνα τη βιβλιοθήκη TensorFlow. Το παρών σύστημα εκπαιδεύτηκε και αξιολογήθηκε χρησιμοποιώντας δύο βάσεις δεδομένων, η μία εκ των οποίων αποτελείται από ψηφιοποιημένες μαστογραφίες οι οποίες αρχικά καταγράφηκαν από αναλογικό μαστογράφο και η άλλη αποτελείται από αμιγώς ψηφιακές μαστογραφίες. Με τον τρόπο αυτό είναι δυνατή η σύγκριση της συμπεριφοράς του συστήματος στις δύο περιπτώσεις και η εξαγωγή συμπερασμάτων όσον αφορά στην επιρροή που έχει η ποιότητα και η ποσότητα των χρησιμοποιούμενων δεδομένων στην συμπεριφορά του. Στο πρώτο κεφάλαιο παρατίθενται γενικά στοιχεία για την ανατομία και τη φυσιολογία του μαστού, την έκταση και τα είδη του καρκίνου του μαστού, τις αιτίες εμφάνισης, τις διαγνωστικές μεθόδους καθώς και κάποια σχετικά επιδημιολογικά στοιχεία. Στο δεύτερο κεφάλαιο παρουσιάζονται βασικά στοιχεία της θεωρίας επεξεργασίας εικόνας και διάφορες τεχνικές οι οποίες χρησιμοποιήθηκαν για την προεπεξεργασία των δεδομένων. Στο τρίτο κεφάλαιο γίνεται εκτενής αναφορά στα νευρωνικά δίκτυα και τη λειτουργία τους, δίνοντας ιδιαίτερη έμφαση στα επίπεδα που απαρτίζουν τα σύγχρονα συνελικτικά νευρωνικά δίκτυα και την διαδικασία εκπαίδευσης αυτών. Στο τέταρτο κεφάλαιο παρουσιάζονται τα στάδια της πειραματικής διαδικασίας που ακολουθήθηκαν και γίνεται ενδελεχής ανάλυση της αρχιτεκτονικής και της λειτουργίας του νευρωνικού δικτύου Mask R-CNN. Στο πέμπτο και τελευταίο κεφάλαιο παρατίθενται τα αποτελέσματα των πειραμάτων που έγιναν, παρουσιάζονται τα συμπεράσματα που εξάγονται με βάση αυτά και γίνεται αναφορά σε δυνητικές βελτιώσεις.
|
|---|
