Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης

• Κύριος συγγραφέας: Γκάνος, Παναγιώτης
• Άλλοι συγγραφείς: Gkanos, Panagiotis
• Γλώσσα: Greek
• Έκδοση: 2020
• Θέματα: Συνελικτικά νευρωνικά δίκτυα; Βαθιά μάθηση; Καρκίνος του μαστού; Βελτιστοποίηση; Μεταφερόμενη εκμάθηση; Επαύξηση δεδομένων; Επεξεργασία εικόνας; Convolutional neural networks; Deep learning; Breast cancer; Optimization; Transfer learning; VGG-16; Data augmentation; Image processing

Η απόδοση των περισσότερων συμβατικών συστημάτων ταξινόμησης βασίζεται στην κατάλληλη αναπαράσταση δεδομένων μέσω τεχνικών του feature engineering, μια δύσκολη και χρονοβόρα διαδικασία που στοχεύει στη δημιουργία χρήσιμων χαρακτηριστικών (features). Από την άλλη πλευρά, η βαθιά μάθηση μπορεί να εξαγάγει και να οργανώσει τις διακριτικές πληροφορίες από τα δεδομένα, χωρίς να απαιτείται ο σχεδιασμός των χαρακτηριστικών από έναν ειδικό τομέα. Τα Convolutional Neural Networks (CNN) είναι ένας συγκεκριμένος τύπος βαθιού, νευρωνικού δικτύου που έχει κερδίσει την προσοχή από την ερευνητική κοινότητα και τη βιομηχανία, επιτυγχάνοντας αξιοσημείωτες επιδόσεις σε εργασίες όπως η αναγνώριση ομιλίας, η επεξεργασία σήματος, η αναγνώριση αντικειμένων, η επεξεργασία φυσικής γλώσσας και η μεταφορά εκμάθησης. Στα πλαίσια αυτής της διπλωματικής εργασίας πραγματοποιήθηκε η διεξαγωγή μιας σειράς πειραμάτων χρησιμοποιώντας την προσέγγιση των συνελικτικών νευρωνικών δικτύων (CNN) με στόχο την κατηγοριοποίηση ιστοπαθολογικών εικόνων με νεοπλασίες του μαστού. Τα πειράματα βασίστηκαν πάνω σε εικόνες που ανακτήθηκαν από τον ισότοπο του BreakHis, ενός οργανισμού που παρέχει ελεύθερα δεδομένα ιατρικού περιεχομένου για ερευνητικούς σκοπούς. Τα πειράματα διαχωρίζονται σε δύο κατηγορίες, αυτή της δυαδικής ταξινόμησης κατά της οποία ο διαχωρισμός των εικόνων αφορά μόνο την φύση της νεοπλασίας καλοήθη ή κακοήθη και στην multi-class προσέγγιση βάσει της ο οποίας η διάκριση των εικόνων γίνεται σε 8 κλάσεις που αφορούν διάφορα είδη νεοπλασιών (καλοήθη και κακοήθη). Τα αποτελέσματα τα οποία συγκεντρώθηκαν συγκρίθηκαν με αρκετές αντίστοιχες προσεγγίσεις ανά τον κόσμο και τα συμπεράσματα είναι αξιοσημείωτα.