Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης
Η νόσος Αλτσχάιμερ είναι μια ανίατη νευροεκφυλιστική διαταραχή που επηρεάζει εκατομμύρια ανθρώπους σε όλο τον κόσμο. Η έγκαιρη ανίχνευση και διάγνωση της νόσου είναι ζωτικής σημασίας για την αποτελεσματική παρέμβαση και τη διαχείριση της. Η μαγνητική τομογραφία(MRI) είναι ένα πολύτιμο εργαλείο από α...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2023
|
Θέματα: | |
Διαθέσιμο Online: | https://hdl.handle.net/10889/24745 |
id |
nemertes-10889-24745 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Τρισδιάστατα συνελικτικά νευρωνικά δίκτυα Κατηγοριοποίηση Μηχανική μάθηση Μαγνητικές τομογραφίες Αλτσχάιμερ 3D convolutional neural networks Classification Machine learning MRIs Alzheimer's disease |
spellingShingle |
Τρισδιάστατα συνελικτικά νευρωνικά δίκτυα Κατηγοριοποίηση Μηχανική μάθηση Μαγνητικές τομογραφίες Αλτσχάιμερ 3D convolutional neural networks Classification Machine learning MRIs Alzheimer's disease Ευθυμιοπούλου, Δανάη Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
description |
Η νόσος Αλτσχάιμερ είναι μια ανίατη νευροεκφυλιστική διαταραχή που επηρεάζει εκατομμύρια ανθρώπους σε όλο τον κόσμο. Η έγκαιρη ανίχνευση και διάγνωση της νόσου είναι ζωτικής σημασίας για την αποτελεσματική παρέμβαση και τη διαχείριση της. Η μαγνητική τομογραφία(MRI) είναι ένα πολύτιμο εργαλείο από αυτή την άποψη, παρέχοντας λεπτομερείς δομικές πληροφορίες του εγκεφάλου.
Στόχος της παρούσας διπλωματικής εργασίας αποτελεί η κατηγοριοποίηση εικόνων μαγνητικών τομογραφιών με χρήση τρισδιάστατων συνελικτικών νευρωνικών δικτύων(3D CNN). Το σύνολο δεδομένων που χρησιμοποιήθηκε για τη μελέτη προέρχεται απο τη βάση δεδομένων ADNI(Alzheimer’s Disease Neuroimaging Initiative) και αποτελείται από εικόνες MRI από τρεις κατηγορίες: τη γνωστική φυσιολογική(CN), την ήπια γνωστική εξασθένηση(MCI) και τη νόσο του Alzheimer (AD).
Πραγματοποιήθηκαν δύο τύποι κατηγοριοποίησης χρησιμοποιώντας το CNN. Η πρώτη ήταν μια εργασία δυαδικής ταξινόμησης μεταξύ CN και AD, ενώ η δεύτερη ήταν μια εργασία ταξινόμησης πολλών κλάσεων που περιλάμβανε και τις τρεις κατηγορίες. Στόχος της μελέτης ήταν η ανάπτυξη μιας ακριβούς και αξιόπιστης μεθόδου για τη διάγνωση της νόσου του Αλτσχάιμερ με βάση τις εικόνες μαγνητικής τομογραφίας.
Προτού το δίκτυο τροφοδοτηθεί με δεδομένα, πραγματοποιήθηκαν αρκετά βήματα προεπεξεργασίας των εικόνων MRI. Πιο συγκεκριμένα, πραγματοποιήθηκε απογύμνωση κρανίου για την αφαίρεση μη εγκεφαλικού ιστού, καθώς και αφαίρεση φόντου για να διασφαλιστεί ότι οι εικόνες μαγνητικής τομογραφίας εστιάζουν στον εγκέφαλο και δεν απεικονίζεται η γύρω περιοχή. Τέλος, το μέγεθος των δεδομένων μειώθηκε προκειμένου να υπάρχει ομοιομορφία, αλλά και να μπορει το δίκτυο να διαχειριστεί τον όγκο τους.
Τα μοντέλο CNN που δημιουργήθηκαν σε αυτή την εργασία βασίστηκαν σε μια αρχιτεκτονική ResNet με χρήση μονάδας προσοχής. Το μοντέλο ResNet είναι γνωστό για τη δομή του καθώς περιλαμβάνει υπολειμματικές μονάδες , οι οποίες επιτρέπουν την πιο αποτελεσματική εκπαίδευση σε βαθιά νευρωνικά δίκτυα. Η αρχιτεκτονική του ResNet τροποποιήθηκε προκειμένου να γίνει πιο κατάλληλη για το σύνολο δεδομένων της παρούσας εργασίας.
Τα αποτελέσματα της μελέτης έδειξαν ότι το CNN ήταν σε θέση να ταξινομήσει με ακρίβεια τις εικόνες MRI που σχετίζονται με τη νόσο του Αλτσχάιμερ. Η εργασία δυαδικής ταξινόμησης πέτυχε υψηλή ακρίβεια 97.4%, ενώ η εργασία ταξινόμησης πολλαπλών κλάσεων πέτυχε ακρίβεια 91.89%. Αυτά τα αποτελέσματα καταδεικνύουν τις δυνατότητες των προσεγγίσεων βαθιάς μάθησης στην έγκαιρη ανίχνευση και διάγνωση της νόσου του Αλτσχάιμερ.
Συνολικά, η μελέτη υπογραμμίζει τη σημασία των τεχνικών προεπεξεργασίας για την προετοιμασία δεδομένων ιατρικής απεικόνισης για ανάλυση, καθώς και τις δυνατότητες των προσεγγίσεων βαθιάς μάθησης στη διάγνωση της νόσου του Αλτσχάιμερ. Απαιτείται περαιτέρω έρευνα για την επικύρωση αυτών των ευρημάτων και για τη διερεύνηση των δυνατοτήτων των μεθόδων βαθιάς μάθησης σε κλινικά περιβάλλοντα. |
author2 |
Efthymiopoulou, Danai |
author_facet |
Efthymiopoulou, Danai Ευθυμιοπούλου, Δανάη |
author |
Ευθυμιοπούλου, Δανάη |
author_sort |
Ευθυμιοπούλου, Δανάη |
title |
Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
title_short |
Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
title_full |
Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
title_fullStr |
Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
title_full_unstemmed |
Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
title_sort |
ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης |
publishDate |
2023 |
url |
https://hdl.handle.net/10889/24745 |
work_keys_str_mv |
AT euthymiopouloudanaē analysēeikonōnmagnētikōntomographiōnmechrēsētechnikōnmēchanikēsmathēsēs AT euthymiopouloudanaē analysisofmriimagesusingmachinelearningtechniques |
_version_ |
1771297136539860992 |
spelling |
nemertes-10889-247452023-03-10T04:34:57Z Ανάλυση εικόνων μαγνητικών τομογραφιών με χρήση τεχνικών μηχανικής μάθησης Analysis of MRI images using machine learning techniques Ευθυμιοπούλου, Δανάη Efthymiopoulou, Danai Τρισδιάστατα συνελικτικά νευρωνικά δίκτυα Κατηγοριοποίηση Μηχανική μάθηση Μαγνητικές τομογραφίες Αλτσχάιμερ 3D convolutional neural networks Classification Machine learning MRIs Alzheimer's disease Η νόσος Αλτσχάιμερ είναι μια ανίατη νευροεκφυλιστική διαταραχή που επηρεάζει εκατομμύρια ανθρώπους σε όλο τον κόσμο. Η έγκαιρη ανίχνευση και διάγνωση της νόσου είναι ζωτικής σημασίας για την αποτελεσματική παρέμβαση και τη διαχείριση της. Η μαγνητική τομογραφία(MRI) είναι ένα πολύτιμο εργαλείο από αυτή την άποψη, παρέχοντας λεπτομερείς δομικές πληροφορίες του εγκεφάλου. Στόχος της παρούσας διπλωματικής εργασίας αποτελεί η κατηγοριοποίηση εικόνων μαγνητικών τομογραφιών με χρήση τρισδιάστατων συνελικτικών νευρωνικών δικτύων(3D CNN). Το σύνολο δεδομένων που χρησιμοποιήθηκε για τη μελέτη προέρχεται απο τη βάση δεδομένων ADNI(Alzheimer’s Disease Neuroimaging Initiative) και αποτελείται από εικόνες MRI από τρεις κατηγορίες: τη γνωστική φυσιολογική(CN), την ήπια γνωστική εξασθένηση(MCI) και τη νόσο του Alzheimer (AD). Πραγματοποιήθηκαν δύο τύποι κατηγοριοποίησης χρησιμοποιώντας το CNN. Η πρώτη ήταν μια εργασία δυαδικής ταξινόμησης μεταξύ CN και AD, ενώ η δεύτερη ήταν μια εργασία ταξινόμησης πολλών κλάσεων που περιλάμβανε και τις τρεις κατηγορίες. Στόχος της μελέτης ήταν η ανάπτυξη μιας ακριβούς και αξιόπιστης μεθόδου για τη διάγνωση της νόσου του Αλτσχάιμερ με βάση τις εικόνες μαγνητικής τομογραφίας. Προτού το δίκτυο τροφοδοτηθεί με δεδομένα, πραγματοποιήθηκαν αρκετά βήματα προεπεξεργασίας των εικόνων MRI. Πιο συγκεκριμένα, πραγματοποιήθηκε απογύμνωση κρανίου για την αφαίρεση μη εγκεφαλικού ιστού, καθώς και αφαίρεση φόντου για να διασφαλιστεί ότι οι εικόνες μαγνητικής τομογραφίας εστιάζουν στον εγκέφαλο και δεν απεικονίζεται η γύρω περιοχή. Τέλος, το μέγεθος των δεδομένων μειώθηκε προκειμένου να υπάρχει ομοιομορφία, αλλά και να μπορει το δίκτυο να διαχειριστεί τον όγκο τους. Τα μοντέλο CNN που δημιουργήθηκαν σε αυτή την εργασία βασίστηκαν σε μια αρχιτεκτονική ResNet με χρήση μονάδας προσοχής. Το μοντέλο ResNet είναι γνωστό για τη δομή του καθώς περιλαμβάνει υπολειμματικές μονάδες , οι οποίες επιτρέπουν την πιο αποτελεσματική εκπαίδευση σε βαθιά νευρωνικά δίκτυα. Η αρχιτεκτονική του ResNet τροποποιήθηκε προκειμένου να γίνει πιο κατάλληλη για το σύνολο δεδομένων της παρούσας εργασίας. Τα αποτελέσματα της μελέτης έδειξαν ότι το CNN ήταν σε θέση να ταξινομήσει με ακρίβεια τις εικόνες MRI που σχετίζονται με τη νόσο του Αλτσχάιμερ. Η εργασία δυαδικής ταξινόμησης πέτυχε υψηλή ακρίβεια 97.4%, ενώ η εργασία ταξινόμησης πολλαπλών κλάσεων πέτυχε ακρίβεια 91.89%. Αυτά τα αποτελέσματα καταδεικνύουν τις δυνατότητες των προσεγγίσεων βαθιάς μάθησης στην έγκαιρη ανίχνευση και διάγνωση της νόσου του Αλτσχάιμερ. Συνολικά, η μελέτη υπογραμμίζει τη σημασία των τεχνικών προεπεξεργασίας για την προετοιμασία δεδομένων ιατρικής απεικόνισης για ανάλυση, καθώς και τις δυνατότητες των προσεγγίσεων βαθιάς μάθησης στη διάγνωση της νόσου του Αλτσχάιμερ. Απαιτείται περαιτέρω έρευνα για την επικύρωση αυτών των ευρημάτων και για τη διερεύνηση των δυνατοτήτων των μεθόδων βαθιάς μάθησης σε κλινικά περιβάλλοντα. Alzheimer's disease is a debilitating and incurable neurodegenerative disorder that affects millions of people worldwide. Early detection and diagnosis of Alzheimer's disease are crucial for effective intervention and management. Magnetic resonance imaging (MRI) is a valuable tool in this regard, providing detailed structural information of the brain. In this study, 3D Convolutional Neural Network(CNN) was developed, in order to classify MRI images related to Alzheimer's disease. The dataset used for the study was obtained by the dataset ADNI(Alzheimer’s Disease Neuroimaging Initiative) and consisted of MRI images from three classes: Alzheimer's disease (AD), Cognitively Normal (CN), and Mild Cognitive Impairment (MCI). Two types of classification tasks were performed using the CNN. The first was a binary classification task between CN and AD, while the second was a multi-class classification task that included all three classes. The aim of the study was to develop an accurate and reliable method for diagnosing Alzheimer's disease based on MRI images. Prior to feeding the data to the CNN, several preprocessing steps on the MRI images were performed. This included skull stripping to remove non-brain tissue and background removal to ensure that the MRI images only showed the brain and not the surrounding area. After these steps, the size of the MRIs was reduced to 90x90x70 so that they all have the same size and so that the overall parameters of the data are as little as possible. The CNN models created in this study were based on a ResNet architecture. The ResNet model is known for its deep residual learning framework, which allows for more efficient training of deep neural networks. The ResNet architecture was modified to become more suitable for the specific dataset. The results of the study showed that the CNN was able to accurately classify the MRI images related to Alzheimer's disease. The binary classification task achieved a high accuracy of 97.4 %, while the multi-class classification task achieved an accuracy of 91.89%. These results demonstrate the potential of deep learning approaches in the early detection and diagnosis of Alzheimer's disease. Overall, the study highlights the importance of pre-processing techniques in preparing medical imaging data for analysis and the potential of deep learning approaches in the diagnosis of Alzheimer's disease. Further research is needed to validate these findings and to explore the potential of deep learning methods in clinical settings. 2023-03-09T08:06:27Z 2023-03-09T08:06:27Z 2023-03-06 https://hdl.handle.net/10889/24745 el application/pdf |