Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες
Στην παρούσα διπλωματική εργασία, επιχειρείται η ανάπτυξη και η συγκριτική αξιολόγηση, ορισμένων παραδοσιακών και πιο σύγχρονων, συστημάτων Βαθιάς Μάθησης, στο πεδίο της υπολογιστικής όρασης και πιο συγκεκριμένα στη δυαδική ταξινόμηση εικόνων. Ορμώμενοι, από την πανδημία του κοροναϊού SARS-CoV-2 ή C...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15508 |
| id |
nemertes-10889-15508 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-155082022-09-05T05:37:38Z Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες Novel deep learning methods on biomedical images Φωτάκης, Κωνσταντίνος Fotakis, Konstantinos Βαθιά μάθηση Κορονοϊός Συνελικτικά νευρωνικά δίκτυα Μεταφερόμενη mάθηση Deep learning Covid-19 Transfer λearning UNet Στην παρούσα διπλωματική εργασία, επιχειρείται η ανάπτυξη και η συγκριτική αξιολόγηση, ορισμένων παραδοσιακών και πιο σύγχρονων, συστημάτων Βαθιάς Μάθησης, στο πεδίο της υπολογιστικής όρασης και πιο συγκεκριμένα στη δυαδική ταξινόμηση εικόνων. Ορμώμενοι, από την πανδημία του κοροναϊού SARS-CoV-2 ή Covid -19, σε μια προσπάθεια να μελετηθούν αλγόριθμοι Τεχνητής Νοημοσύνης που εν δυνάμει θα μπορούσαν να φανούν χρήσιμοι στην αντιμετώπιση των επιπτώσεων παγκόσμιου αυτού φαινομένου, καταπιανόμαστε με το πρόβλημα της ανίχνευσης σε ακτινογραφίες θώρακα (Chest X-rays , CXRs) των χαρακτηριστικών και των μοτίβων που καθιστούν διακριτό τον ιό Covid-19. Τα συστήματα νευρωνικών δικτύων, στα πλαίσια της Βαθιάς Μάθησης, που αναπτύχθηκαν για την εκπόνηση αυτής της εργασίας, αφορούν καταρχάς στα Συνελικτικά Νευρωνικά Δίκτυα ή Convolutional Neural Networks (CNN). Στη συνέχεια, κατασκευάζεται και αξιολογείται ένα υβριδικό μοντέλο Συνελικτικών Νευρωνικών Δικτύων και Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης, CNN – LSTM, για τον έλεγχο της αποτελεσματικότητας συστημάτων που παραδοσιακά δεν συσχετίζονται με προβλήματα ταξινόμησης εικόνων χωρίς κάποια εμφανή χρονική αλληλουχία. Έπειτα, πραγματοποιείται η κατασκευή ενός συστήματος τμηματοποίησης και διαχωρισμού της περιοχής ενδιαφέροντος ( Πνεύμονες) από το σύνολο κάθε εικόνας. Αυτό , καθίσταται δυνατό μέσω της αρχιτεκτονικής UNet και της μεθοδολογίας του Semantic Segmentation. Στη συνέχεια , οι τμηματοποιημένες αυτές εικόνες, τίθενται υπό ταξινόμηση από ένα κλασικό μοντέλο CNN, για μελέτη και αξιολόγηση της απόδοσής του. Τέλος διερευνάται, η αποτελεσματικότητα και η απόδοση της λογικής της μεταφερόμενης μάθησης ή Transfer Learning στο αρχικό αλλά και στο τμηματοποιημένο σύνολο δεδομένων. Η ανάπτυξη των μεθόδων που περιγράφονται παραπάνω, έγινε με τη πολύτιμη βοήθεια του Google Colaboratory, και υλοποιήθηκε σε Python με χρήση της βιβλιοθήκης μηχανικής μάθησης TensorFlow και της βιβλιοθήκης Keras The present diploma thesis studies the development and benchmarking of certain traditional and more modern, Deep Learning systems, in the field of computer vision and more specifically in the binary classification of images. Driven by the SARS-CoV2 or Covid-19 coronavirus pandemic, in an effort to study Artificial Intelligence algorithms that could potentially be useful in dealing with the effects of this global phenomenon, we are dealing with the problem of detection of the patterns and characteristics that make Covid-19 distinct, on Lung/Chest X-rays (CXRs). The first Deep neural network systems, developed for the elaboration of this thesis, is based on the architectures of Convolutional Neural Networks (CNNs). Then, we construct a hybrid CNN – LSTM model, based on the architectures on both CNN and Long Short-Term Memory Networks, which is then evaluated on the effectiveness and robustness of the hybrid system, usually not associated with problem on non-time related image classification problems. Furthermore, we attempt to construct a system of automated segmentation and separation of the area of interest in the X-rays dataset (i.e. Lung area). This is made possible through the UNet architecture, and the methodology of Semantic Segmentation. The segmented images are then fed to a CNN model for classification and evaluation of its performance. Finally, we explore the effectiveness and performance of the Transfer Learning method on both the original and segmented chest X-rays. The development of the methods described above, was made possible with the valuable help of Google Colaboratory, a cloud-based service, and was implemented in Python using the TensorFlow machine learning library and the Keras library. 2021-11-03T06:35:48Z 2021-11-03T06:35:48Z 2021-10-29 http://hdl.handle.net/10889/15508 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά μάθηση Κορονοϊός Συνελικτικά νευρωνικά δίκτυα Μεταφερόμενη mάθηση Deep learning Covid-19 Transfer λearning UNet |
| spellingShingle |
Βαθιά μάθηση Κορονοϊός Συνελικτικά νευρωνικά δίκτυα Μεταφερόμενη mάθηση Deep learning Covid-19 Transfer λearning UNet Φωτάκης, Κωνσταντίνος Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| description |
Στην παρούσα διπλωματική εργασία, επιχειρείται η ανάπτυξη και η συγκριτική αξιολόγηση, ορισμένων παραδοσιακών και πιο σύγχρονων, συστημάτων Βαθιάς Μάθησης, στο πεδίο της υπολογιστικής όρασης και πιο συγκεκριμένα στη δυαδική ταξινόμηση εικόνων. Ορμώμενοι, από την πανδημία του κοροναϊού SARS-CoV-2 ή Covid -19, σε μια προσπάθεια να μελετηθούν αλγόριθμοι Τεχνητής Νοημοσύνης που εν δυνάμει θα μπορούσαν να φανούν χρήσιμοι στην αντιμετώπιση των επιπτώσεων παγκόσμιου αυτού φαινομένου, καταπιανόμαστε με το πρόβλημα της ανίχνευσης σε ακτινογραφίες θώρακα (Chest X-rays , CXRs) των χαρακτηριστικών και των μοτίβων που καθιστούν διακριτό τον ιό Covid-19.
Τα συστήματα νευρωνικών δικτύων, στα πλαίσια της Βαθιάς Μάθησης, που αναπτύχθηκαν για την εκπόνηση αυτής της εργασίας, αφορούν καταρχάς στα Συνελικτικά Νευρωνικά Δίκτυα ή Convolutional Neural Networks (CNN). Στη συνέχεια, κατασκευάζεται και αξιολογείται ένα υβριδικό μοντέλο Συνελικτικών Νευρωνικών Δικτύων και Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης, CNN – LSTM, για τον έλεγχο της αποτελεσματικότητας συστημάτων που παραδοσιακά δεν συσχετίζονται με προβλήματα ταξινόμησης εικόνων χωρίς κάποια εμφανή χρονική αλληλουχία. Έπειτα, πραγματοποιείται η κατασκευή ενός συστήματος τμηματοποίησης και διαχωρισμού της περιοχής ενδιαφέροντος ( Πνεύμονες) από το σύνολο κάθε εικόνας. Αυτό , καθίσταται δυνατό μέσω της αρχιτεκτονικής UNet και της μεθοδολογίας του Semantic Segmentation. Στη συνέχεια , οι τμηματοποιημένες αυτές εικόνες, τίθενται υπό ταξινόμηση από ένα κλασικό μοντέλο CNN, για μελέτη και αξιολόγηση της απόδοσής του. Τέλος διερευνάται, η αποτελεσματικότητα και η απόδοση της λογικής της μεταφερόμενης μάθησης ή Transfer Learning στο αρχικό αλλά και στο τμηματοποιημένο σύνολο δεδομένων.
Η ανάπτυξη των μεθόδων που περιγράφονται παραπάνω, έγινε με τη πολύτιμη βοήθεια του Google Colaboratory, και υλοποιήθηκε σε Python με χρήση της βιβλιοθήκης μηχανικής μάθησης TensorFlow και της βιβλιοθήκης Keras |
| author2 |
Fotakis, Konstantinos |
| author_facet |
Fotakis, Konstantinos Φωτάκης, Κωνσταντίνος |
| author |
Φωτάκης, Κωνσταντίνος |
| author_sort |
Φωτάκης, Κωνσταντίνος |
| title |
Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| title_short |
Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| title_full |
Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| title_fullStr |
Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| title_full_unstemmed |
Μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| title_sort |
μέθοδοι βαθιάς μάθησης σε βιοϊατρικές εικόνες |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15508 |
| work_keys_str_mv |
AT phōtakēskōnstantinos methodoibathiasmathēsēssebioïatrikeseikones AT phōtakēskōnstantinos noveldeeplearningmethodsonbiomedicalimages |
| _version_ |
1771297159569735680 |
