Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19

Η νόσος COVID-19, που προκαλείται από τον νέο κορωνοϊό SARS-CoV-2, έχει επιφέρει πάνω από 245 εκατομμύρια κρούσματα και 5 εκατομμύρια θανάτους μέχρι τον Οκτώβριο του 2021, κηρύσσοντας τον πλανήτη σε κατάσταση έκτακτης ανάγκη από τον Παγκόσμιο Οργανισμό Υγείας. Η διάγνωση του νέου αυτού ιού πραγματοπ...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Παπαμεντζελόπουλος, Σπυρίδων
Άλλοι συγγραφείς: Papamentzelopoulos, Spyridon
Γλώσσα:Greek
Έκδοση: 2022
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/16244
Περιγραφή
Περίληψη:Η νόσος COVID-19, που προκαλείται από τον νέο κορωνοϊό SARS-CoV-2, έχει επιφέρει πάνω από 245 εκατομμύρια κρούσματα και 5 εκατομμύρια θανάτους μέχρι τον Οκτώβριο του 2021, κηρύσσοντας τον πλανήτη σε κατάσταση έκτακτης ανάγκη από τον Παγκόσμιο Οργανισμό Υγείας. Η διάγνωση του νέου αυτού ιού πραγματοποιείται μέσω των κλινικών δειγμάτων RT-PCR και Rapid AG δοκιμών, καθώς και με εικόνες X-Rays. Στην παρούσα διπλωματική εργασία πρόκειται να πραγματοποιηθεί έρευνα που στοχεύει στην κατηγοριοποίηση ιατρικών εικόνων για περιπτώσεις COVID-19. Πιο συγκεκριμένα, στην μια περίπτωση μελέτης θα κατασκευαστεί ένα συνελικτικό νευρωνικό δίκτυο δύο διαστάσεων, στο οποίο θα εισάγονται εικόνες ακτινογραφιών θώρακος από σύνολα δεδομένων ανοιχτού τύπου, με τις ανάλογες επεξεργασίες για άντληση καλύτερων δυνατών αποτελεσμάτων, που αναφέρονται σε περιπτώσεις ασθενών με COVID-19, βακτηριακή πνευμονία και ιική δίχως την COVID-19, συγκαταλέγοντας ανάμεσα σε αυτές και φυσιολογικές ακτινογραφίες. Στην άλλη περίπτωση της μελέτης, τα προαναφερόμενα δεδομένα πρόκειται να περαστούν στην βιβλιοθήκη PyRadiomics, εξάγοντας μέσα από αυτή σημαντικά χαρακτηριστικά των ακτινογραφιών, έτσι ώστε να μελετηθούν και δύο άλλες πρόσθετες περιπτώσεις κατηγοριοποίησης δεδομένων, που είναι η περίπτωση χρήσης αλγορίθμων μηχανικής μάθησης και η περίπτωση χρήσης ενός μονοδιάστατου συνελικτικού νευρωνικού. Η ίδια μελέτη πραγματοποιείται και στην εισαγωγή ενός διαφορετικού συνόλου δεδομένων, μιας και διαθέτει στο εσωτερικό του πλέον επιλεγμένα χαρακτηριστικά, τα οποία διακρίνονται μέσω αλγορίθμων που χρησιμοποιούν σπουδαίες τεχνικές για την επιλογή τους. Όλες οι περιπτώσεις που μελετώνται πρόκειται να αξιολογηθούν ως προς την κατηγοριοποίηση των ακτινογραφιών σε όλες τις διαθέσιμες τέσσερις κλάσεις των δεδομένων, καθώς και της κλάσης COVID-19 μεμονωμένα. Με την επεξεργασία αυτών των δεδομένων από όλες τις περιπτώσεις, πρόκειται να συγκριθούν μεταξύ τους και να αναδειχθούν στο τέλος οι ικανότερες για την κατηγοριοποίηση ιατρικών εικόνων COVID-19, με απώτερο στόχο την συμβολή τους στην καλύτερη αντιμετώπιση της πανδημίας.