| Περίληψη: | Η παρούσα διπλωματική εργασία αναφέρεται στην εφαρμογή τεχνικών Βαθιάς Μηχανικής Μάθησης σε ιατρικές εικόνες ακτινογραφίας θώρακα . Σκοπός της εργασίας αποτέλεσε η αυτόματη κατηγοριοποίηση ιατρικών εικόνων Covid-19 με χρήση Συνελικτικών Νευρωνικών Δικτύων. Οι διαδικασίες ταξινόμησης που δοκιμάστηκαν βασίζονται σε τεχνικές βαθιών νευρωνικών δικτύων (DNN). Τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) αποτελούν μερικές από τις καλύτερες τεχνικές αναγνώρισης προτύπων, ειδικά όσον αφορά την κατηγοριοποίηση ιατρικών εικόνων. Παρουσιάζουν διαφορές ως προς την αρχιτεκτονική τους, το βάθος τους, τις συναρτήσεις ενεργοποίησης που περιλαμβάνουν και ως προς τη γενικότερη παραμετροποίησή τους. Στην παρούσα εργασία εξετάσαμε αρχιτεκτονικές που παρουσιάζουν ξεχωριστή συμπεριφορά στην ταξινόμηση ιατρικών δεδομένων. Από αυτές επιλέξαμε επτά διαφορετικές, οι οποίες δοκιμάστηκαν κατά την πειραματική διαδικασία και είναι οι εξής: VGG16, VGG19, ResNet50, ResNet152, MobileNetV2, DenseNet121 και NasNetMobile. Για την εκπαίδευση και τον έλεγχο των συστημάτων, χρησιμοποιήθηκαν ως ιατρικά δεδομένα, ακτινογραφίες θώρακα (Chest X-rays) οι οποίες ταξινομήθηκαν σε 3 κατηγορίες: Normal (δηλαδή πνεύμονες χωρίς κάποια λοίμωξη), Covid-19 (δηλαδή πνεύμονες που έχουν προσβληθεί από τη λοίμωξη Covid-19) και Pneumonia (δηλαδή πνεύμονες με απλή πνευμονία). Συγκεκριμένα, χρησιμοποιήθηκε η Βάση Δεδομένων NIH (National Institutes of Health) που περιέχει συνολικά 6432 εικόνες. Αναφορικά με τις κατηγορίες, στην κατηγορία Normal έχουμε 1583 εικόνες, στην κατηγορία Covid-19 έχουμε 576 εικόνες και στην κατηγορία Pneumonia έχουμε 4273 εικόνες. Οι εικόνες είναι μορφής .jpeg και έχουν βάθος 24 bits. Επίσης, όλα τα Νευρωνικά Δίκτυα που χρησιμοποιήθηκαν ήταν προεκπαιδευμένα στον τεράστιο όγκο των δεδομένων της ImageNet. Τα επτά αυτά δίκτυα, εκπαιδεύτηκαν και ελέγχθηκαν σε έξι πειραματικές διαδικασίες: χωρίς προεπεξεργασία, με χρήση της τεχνικής ZCA, χωρίς προεπεξεργασία και 1 επιπλέον Dense Layer, με χρήση της τεχνικής ZCA και 1 επιπλέον Dense Layer, χωρίς προεπεξεργασία και 2 επιπλέον Dense Layers και τέλος, με χρήση της τεχνικής ZCA και 2 επιπλέον Dense Layers. Όσον αφορά το δίκτυο NasNetMobile, διεξήχθησαν και κάποια πειράματα με επιπλέον παραμετροποίηση, με στόχο μια περαιτέρω βελτίωση της επίδοσής του. Τα αποτελέσματα αναρτώνται σε 58 συγκεντρωτικούς πίνακες. Μέσα από την πειραματική διαδικασία διαπιστώσαμε πως όλα τα ΣΝΔ που χρησιμοποιήσαμε σημείωσαν καλύτερα αποτελέσματα έχοντας προσθέσει σε αυτά 2 επιπλέον Dense Layers. Επίσης, το δίκτυο DenseNet121 ανταποκρίθηκε συνολικά καλύτερα στο σύνολο των δεδομένων μας. Αυτό θα μπορούσαμε να πούμε πως είναι αναμενόμενο, καθώς το DenseNet121 ανήκει στα πλέον προηγμένα Συνελικτικά Νευρωνικά Δίκτυα.
|
|---|
