Ταξινόμηση ιστοπαθολογικών εικόνων καρκίνου του μαστού με χρήση συνελικτικών νευρωνικών δικτύων

• Κύριος συγγραφέας: Μαρκουλής, Κωνσταντίνος
• Άλλοι συγγραφείς: Markoulis, Konstantinos
• Γλώσσα: Greek
• Έκδοση: 2020
• Θέματα: Καρκίνος μαστού; Μηχανική μάθηση; Βαθιά μάθηση; Τεχνητά νευρωνικά δίκτυα; Συνελικτικά νευρωνικά δίκτυα; Breast cancer; Machine learning; Deep learning; Artificial neural networks; Convolutional neural networks (CNNs); ResNet-50; BreakHis

Ο καρκίνος του μαστού αποτελεί σοβαρή απειλή και μία από τις μεγαλύτερες αιτίες θανάτου γυναικών σε όλο τον κόσμο. Η διάγνωσή του εξαρτάται σε μεγάλο βαθμό από την ανάλυση των ψηφιακών βιοϊατρικών εικόνων, όπως οι ιστοπαθολογικές, από γιατρούς, η διερεύνηση των οποίων απαιτεί εξειδικευμένη γνώση. Προς αυτή την κατεύθυνση, οι τεχνικές Computer Aided Diagnosis (CAD) μπορούν να βοηθήσουν τον γιατρό να λάβει πιο αξιόπιστες αποφάσεις. Αντικείμενο της παρούσας διπλωματικής εργασίας, λοιπόν, αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση συνελικτικών νευρωνικών δικτύων με σκοπό την ταξινόμηση ιστοπαθολογικών εικόνων καρκίνου του μαστού σε καλοήθη ή κακοήθη όγκο. Το σύνολο δεδομένων που τροφοδοτεί τα δίκτυα πρόκειται για το BreakHis, το οποίο αποτελείται από 4 υποσύνολα, ανάλογα με τον παράγοντα μεγέθυνσης των εικόνων (40x, 100x, 200x και 400x). Πιο συγκεκριμένα, ύστερα από μία σειρά πειραμάτων, προτείνονται 4 συνελικτικά νευρωνικά δίκτυα, τα οποία παρουσιάζουν τη βέλτιστη απόδοση για τον κάθε μεγεθυντικό παράγοντα, καθώς και ποιο από αυτά εφαρμόζει καλύτερα και στα 4 υποσύνολα. Επιπλέον, εφαρμόστηκε η αρχιτεκτονική ResNet-50, η οποία πρόκειται για ένα συνελικτικό νευρωνικό δίκτυο εκπαιδευμένο στο σύνολο δεδομένων ImageNet, στον εκάστοτε παράγοντα μεγέθυνσης. Για την αξιολόγηση της απόδοσης των προτεινόμενων δικτύων χρησιμοποιήθηκαν ορισμένες μετρικές παράμετροι, έτσι ώστε να εξεταστεί εκτενώς η ικανότητα των δικτύων να ταξινομούν με όσο το δυνατόν μεγαλύτερη ακρίβεια τις εικόνες στη σωστή κλάση.