Βαθιά μηχανική μάθηση σε ιατρικές εικόνες καρκίνου

• Κύριος συγγραφέας: Τζαβάρας, Χρήστος
• Άλλοι συγγραφείς: Tzavaras, Christos
• Γλώσσα: Greek
• Έκδοση: 2021
• Θέματα: Καρκίνος του μαστού; Βαθιά μηχανική μάθηση; Τεχνητά νευρωνικά δίκτυα (ANN); Αναδρομικά νευρωνικά δίκτυα (RNN); Breast cancer; NACT; Deep learning; Pathologic complete response (PCR); Artificial neural networks (ANN); Recurrent neural networks (RNN); ISPY; DCE-MRI

Ο καρκίνος αποτελεί μία από τις πιο σοβαρές ασθένειες παγκοσμίως. Υπάρχουν συνολικά πάνω από 100 είδη καρκίνου μεταξύ των οποίων και ο καρκίνος του μαστού που εμφανίζεται κυρίως σε γυναίκες. Για την αντιμετώπιση του καρκίνου αυτού έχουν αναπτυχθεί πολλοί τρόποι θεραπείας καθώς και εφαρμόζονται επίσης συνδυασμοί αυτών. Ένας από τους συνδυασμούς αυτούς αποτελεί η εφαρμογή χημειοθεραπείας πριν την χειρουργική αφαίρεση του όγκου, μέθοδος γνωστή ως Neoadjuvant Chemotherapy Treatment(NACT). Στόχος της παρούσας διπλωματικής εργασίας αποτελεί ο σχεδιασμός και η ανάπτυξη μοντέλων Βαθιάς Μηχανικής Μάθησης που εκπαιδεύονται πάνω σε χαρακτηριστικά ιατρικών εικόνων, με σκοπό την πρόβλεψη του κλινικού αποτελέσματος Pathologic Complete Response(PCR) σε ασθενείς που υπόκεινται σε NACT. Τα μοντέλα που υλοποιούμε ανήκουν στις κατηγορίες Τεχνητών Νευρωνικών Δικτύων(Artificial Neural Networks-ANN) και Αναδρομικών Νευρωνικών Δικτύων(Recurrent Neural Network-RNN). Για την εκπαίδευση τους χρησιμοποιήθηκαν χαρακτηριστικά γνωστά ως Radiomics τα οποία εξάγονται από ιατρικές εικόνες. Η έρευνα μας διεξάχθηκε πάνω στο σύνολο δεδομένων dataset ISPY1, το οποίο αποτελείται από ασθενείς που υπόκεινται σε διαγνωστικά τεστ DCE-MRI τόσο πριν όσο και κατά την διάρκεια του πλάνου θεραπείας NACT που εφαρμόζεται. Για την εκπαίδευση των μοντέλων μας εφαρμόστηκε Stratified 5-fold Cross Validation. Τα αποτελέσματα των πειραμάτων που έγιναν χρησιμοποιήθηκαν για την σύγκριση των μοντέλων που αναπτύξαμε τόσο μεταξύ τους όσο και με μια αρχιτεκτονική Συνελικτικών Νευρωνικών Δικτύων που προτάθηκε από παρεμφερή έρευνα που πραγματοποιήθηκε στο ίδιο σύνολο δεδομένων.