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...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2022
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/16244 |
id |
nemertes-10889-16244 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Μηχανική μάθηση Βαθιά μάθηση Αλγόριθμοι μηχανικής μάθησης Συνελικτικά νευρωνικά δίκτυα Κατηγοριοποίηση τεσσάρων κλάσεων Machine learning Deep learning Machine learning algorithms Convolutional neural networks 4-class classification Covid-19 |
spellingShingle |
Μηχανική μάθηση Βαθιά μάθηση Αλγόριθμοι μηχανικής μάθησης Συνελικτικά νευρωνικά δίκτυα Κατηγοριοποίηση τεσσάρων κλάσεων Machine learning Deep learning Machine learning algorithms Convolutional neural networks 4-class classification Covid-19 Παπαμεντζελόπουλος, Σπυρίδων Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 |
description |
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. |
author2 |
Papamentzelopoulos, Spyridon |
author_facet |
Papamentzelopoulos, Spyridon Παπαμεντζελόπουλος, Σπυρίδων |
author |
Παπαμεντζελόπουλος, Σπυρίδων |
author_sort |
Παπαμεντζελόπουλος, Σπυρίδων |
title |
Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 |
title_short |
Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 |
title_full |
Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 |
title_fullStr |
Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 |
title_full_unstemmed |
Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 |
title_sort |
κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια covid-19 |
publishDate |
2022 |
url |
http://hdl.handle.net/10889/16244 |
work_keys_str_mv |
AT papamentzelopoulosspyridōn katēgoriopoiēsēiatrikōneikonōngiatēnastheneiacovid19 AT papamentzelopoulosspyridōn categorizationofmedicalimagesforcovid19disease |
_version_ |
1771297261388562432 |
spelling |
nemertes-10889-162442022-09-05T13:56:12Z Κατηγοριοποίηση ιατρικών εικόνων για την ασθένεια Covid-19 Categorization of medical images for Covid-19 disease Παπαμεντζελόπουλος, Σπυρίδων Papamentzelopoulos, Spyridon Μηχανική μάθηση Βαθιά μάθηση Αλγόριθμοι μηχανικής μάθησης Συνελικτικά νευρωνικά δίκτυα Κατηγοριοποίηση τεσσάρων κλάσεων Machine learning Deep learning Machine learning algorithms Convolutional neural networks 4-class classification 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 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. COVID-19 disease, caused by the new SARS-CoV-2 coronavirus, has caused over 245 million cases and 5 million deaths by October 2021, declaring the world a state of emergency by the World Health Organization. The diagnosis of this new virus is made through clinical RT-PCR and Rapid AG testing samples, as well as X-Rays images. In this master thesis, we are going to perform research aiming to categorize medical images for COVID-19 cases. More specifically, in one case study, a two-dimensional convolutional neural network will be constructed, in which chest X-ray images from open-type datasets will be input, with the appropriate processing to get the best possible results, referring to cases of patients with COVID-19, bacterial pneumonia and viral without COVID-19, including among them the normal X-rays. On the other side of the study, the aforementioned data are to be passed to the PyRadiomics library, extracting through it important features of the radiographs, so that two other additional cases of data categorization can be studied, which are the case of using machine learning algorithms and the case of using a one-dimensional convolutional neural network. The same study is carried out in the introduction of a different dataset since it has within it only the selected features, which are distinguished through algorithms that use noteworthy techniques for their selection. All the cases studied are to be evaluated in terms of the categorization of the radiographs in all the available four classes of data, as well as the COVID-19 class individually. By processing these data from all the cases, they are to be compared with each other, and in the end, the most capable of categorizing the COVID-19 medical images are to be identified, with the ultimate goal of contributing to a better pandemic response. 2022-06-16T09:48:59Z 2022-06-16T09:48:59Z 2022-06-14 http://hdl.handle.net/10889/16244 gr application/pdf |