Ανάλυση εικόνας με στόχο τον εντοπισμό καρκίνου με τεχνικές μηχανικής και εις βάθος μάθησης

Επηρεάζοντας περίπου το 10% των γυναικών παγκοσμίως, ο καρκίνος του μαστού έχει αποδειχθεί ότι είναι ένας από τους πιο συγκλονιστικούς και συνηθισμένους καρκίνους στις γυναίκες σήμερα. Αν και υπάρχουν διαθέσιμες θεραπείες για αυτόν τον καρκίνο, το πραγματικό ζήτημα που αντιμετωπίζουμε είναι όταν δεν...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Ματζάκος Χωριανόπουλος, Αντώνιος
Άλλοι συγγραφείς: Matzakos Chorianopoulos, Antonios
Γλώσσα:Greek
Έκδοση: 2020
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/14106
Περιγραφή
Περίληψη:Επηρεάζοντας περίπου το 10% των γυναικών παγκοσμίως, ο καρκίνος του μαστού έχει αποδειχθεί ότι είναι ένας από τους πιο συγκλονιστικούς και συνηθισμένους καρκίνους στις γυναίκες σήμερα. Αν και υπάρχουν διαθέσιμες θεραπείες για αυτόν τον καρκίνο, το πραγματικό ζήτημα που αντιμετωπίζουμε είναι όταν δεν μπορούμε να εντοπίσουμε σωστά την ασθένεια στα αρχικά της στάδια, ένα πρόβλημα που αντιμετωπίζουν συνεχώς τόσο οι χώρες του πρώτου κόσμου όσο και οι χώρες του τρίτου κόσμου. Η βαθιά μάθηση, ενώ ευδοκιμεί στην υπολογιστική όραση, έχει αποδειχθεί ότι παίζει ζωτικό ρόλο στην πρόβλεψη τέτοιων ασθενειών. Μέθοδοι ταξινόμησης και εξαγωγής δεδομένων έχουν αποδειχθεί έως τώρα αξιόπιστες και αποτελεσματικές. Ωστόσο, πρόσφατες μελέτες έχουν δείξει, μέσω πολλαπλών πειραμάτων και δοκιμών, ότι οι τεχνικές βαθιάς μάθησης έχουν επιτύχει τα καλύτερα αποτελέσματα. Σε αυτή τη μελέτη, θα δούμε τη χρήση διαφορετικών βαθιών αρχιτεκτονικών συνελικτικών νευρικών δικτύων στην ιατρική απεικόνιση και θα τα συγκρίνουμε με ένα depth-wise συνελικτικό νευρωνικό δίκτυο σε πολλά σύνολα δεδομένων από εικόνες καρκίνου του μαστού. Οι συγκρίσεις απόδοσης γίνονται μεταξύ MobileNet, VGG16 και AlexNet σε υπερήχους μαστού και εικόνες ιστοπαθολογίας μαστού. Πρωταρχικός μας στόχος είναι να δείξουμε την αποτελεσματικότητα και την ακρίβεια τέτοιων συστημάτων στην ταξινόμηση διαφορετικών ειδών καρκίνου του μαστού. Το σύνολο δεδομένων υπερήχων περιέχει 250 εικόνες καλοήθων και κακοήθων περιπτώσεων, το δεύτερο σύνολο δεδομένων αποτελείται από 3268 εικόνες από μαστογραφίες με ιστοπαθολογία-Invasive Ductal Carcinoma (IDC) και το τρίτο αποτελείται από 10483 εικόνες επίσης με ιστοπαθολογία-IDC. Πειραματικά στοιχεία δείχνουν ότι τα προτεινόμενα μοντέλα βαθιάς μάθησης μπορούν να ταξινομήσουν αποτελεσματικά τους υπερήχους και τις ιστοπαθολογικές εικόνες. Η απόδοση του πιο αποτελεσματικού μοντέλου Convolutional Neural Network έφτασε το 96,82% ακρίβεια στους υπερήχους, το 88,23% στο δεύτερο σύνολο δεδομένων και το 91,04% στο τρίτο. Ως εκ τούτου, κατέληξα με βάση τα αποτελέσματά μου, ότι οι αρχές της βαθιάς μάθησης στη διάγνωση του καρκίνου του μαστού είναι πράγματι πολύ ελπιδοφόρες και ο κόσμος μπορεί να ωφεληθεί αναμφίβολα από την εφαρμογή τέτοιων συστημάτων. Συνεπώς, φτάνω στο συμπέρασμα, βάση αποτελεσμάτων, ότι οι τεχνικές βαθιάς μάθησης στη διάγνωση του καρκίνου του μαστού είναι πολλά υποσχόμενες.