Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες

Στην παρούσα διπλωματική εργασία μελετάται σε λεπτομέρεια και υλοποιείται κατηγοριοποίηση ιατρικών εικόνων σχετικές με τα στάδια της νόσου Alzheimer. Η υλοποίηση θα πραγματοποιηθεί με διαφορετικές σύγχρονες μεθόδους βαθιάς μάθησης. Πιο συγκεκριμένα θα χρησιμοποιηθούν Συνελικτικά Νευρωνικά Δίκτυα (C...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Παπαδάκη, Ευγενία
Άλλοι συγγραφείς: Papadaki, Eugenia
Γλώσσα:Greek
Έκδοση: 2021
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/15536
Περιγραφή
Περίληψη:Στην παρούσα διπλωματική εργασία μελετάται σε λεπτομέρεια και υλοποιείται κατηγοριοποίηση ιατρικών εικόνων σχετικές με τα στάδια της νόσου Alzheimer. Η υλοποίηση θα πραγματοποιηθεί με διαφορετικές σύγχρονες μεθόδους βαθιάς μάθησης. Πιο συγκεκριμένα θα χρησιμοποιηθούν Συνελικτικά Νευρωνικά Δίκτυα (CNN), CNN-LSTM (Long-Short-Term Memory), Convolutional Autoencoders και CNN-SVM (Support Vector Machine). Οι εικόνες προς κατηγοριοποίηση που χρησιμοποιούνται είναι από μαγνητικές απεικονίσεις ανθρώπινου εγκεφάλου (MRI). Υλοποιούνται και δοκιμάζονται οι παραπάνω μέθοδοι και παρατίθενται τα αποτελέσματα που αφορούν την ακρίβεια της κατηγοριοποίησης. Αναλυτικότερα συγκρίνονται ως προς την απόδοση οι μέθοδοι που χρησιμοποιούνται και εξετάζεται ποια επιτυγχάνει την καλύτερη απόδοση. Οι μετρικές ακρίβειας που θα χρησιμοποιούνται είναι οι γνωστές και διαδεδομένες για τις διάφορες επιλογές παραμέτρων. Απώτερος στόχος είναι η κατηγοριοποίηση των εικόνων του συνόλου δεδομένων όσο το δυνατόν πιο αποτελεσματικά. Η υλοποίηση πραγματοποιείται σε Python με χρήση του Tensorflow 2.1 και της βιβλιοθήκης Keras. Ειδικότερα για την εκτέλεση των πειραμάτων αξιοποιήθηκαν πλήρως οι νέοι τρόποι και τεχνικές που παρέχει η νέα έκδοση 2.1 του Tensorflow για την εκπαίδευση πάσης φύσεως μοντέλων Μηχανικής και Βαθιάς Μάθησης.