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:	Βαθιά μάθηση MRI απεικονίσεις Συνελικτικά νευρωνικά δίκτυα Deep learning MRI images Convolutional neural networks LSTM Autoencoder SVM
Διαθέσιμο Online:	http://hdl.handle.net/10889/15536

id	nemertes-10889-15536
record_format	dspace
spelling	nemertes-10889-155362022-09-05T20:13:21Z Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες Novel deep learning algorithms implemented on medical images Παπαδάκη, Ευγενία Papadaki, Eugenia Βαθιά μάθηση MRI απεικονίσεις Συνελικτικά νευρωνικά δίκτυα Deep learning MRI images Convolutional neural networks LSTM Autoencoder SVM 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. Inthis thesis we study in detail and implement the classification of medical images related to the stage of Alzheimer’s disease. The implementation will be carried out using different state-of-the-art deep learning methods. More specifically, Convolutional Neural Networks (CNN), CNN- LSTM (Long-Short-Term Memory), Convolutional Autoencoder and CNN-SVM (Support Vector Machine) will be used. The images to be used for categorization are from Magnetic Resonance Imaging (MRI) of the human brain. The above methods are both implemented and tested and the results in respect to the accuracy of categorization are reported. In detail, the implemented methods are compared in detail in terms of performance and it is examined which one achieves the best performance. The accuracy metrics to be used are those known and widely used for the different parameter choices. The ultimate goal is to categorize the images of the dataset as efficiently as possible. The implementation is done in Python using Tensorflow 2.1 and the Keras library. In particular, the new ways and techniques provided by the new version 2.1 of Tensorflow for training all kinds of Machine Learning and Deep Learning models were fully exploited to perform the experiments. 2021-11-08T08:20:27Z 2021-11-08T08:20:27Z 2021-10-26 http://hdl.handle.net/10889/15536 gr application/pdf
institution	UPatras
collection	Nemertes
language	Greek
topic	Βαθιά μάθηση MRI απεικονίσεις Συνελικτικά νευρωνικά δίκτυα Deep learning MRI images Convolutional neural networks LSTM Autoencoder SVM
spellingShingle	Βαθιά μάθηση MRI απεικονίσεις Συνελικτικά νευρωνικά δίκτυα Deep learning MRI images Convolutional neural networks LSTM Autoencoder SVM Παπαδάκη, Ευγενία Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
description	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.
author2	Papadaki, Eugenia
author_facet	Papadaki, Eugenia Παπαδάκη, Ευγενία
author	Παπαδάκη, Ευγενία
author_sort	Παπαδάκη, Ευγενία
title	Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
title_short	Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
title_full	Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
title_fullStr	Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
title_full_unstemmed	Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
title_sort	σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες
publishDate	2021
url	http://hdl.handle.net/10889/15536
work_keys_str_mv	AT papadakēeugenia synchronoialgorithmoibathiasmathēsēsmeepharmogēseiatrikeseikones AT papadakēeugenia noveldeeplearningalgorithmsimplementedonmedicalimages
_version_	1771297291462770688

Σύγχρονοι αλγόριθμοι βαθιάς μάθησης με εφαρμογή σε ιατρικές εικόνες

Παρόμοια τεκμήρια