Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου
Ο καρκίνος είναι μια ασθένεια που συνεχίζει να μαστίζει τη σύγχρονη κοινωνία μας. Μεταξύ όλων των τύπων καρκίνου, ο καρκίνος του μαστού είναι πλέον ο πιο συχνός τύπος καρκίνου που εμφανίζεται στις γυναίκες παγκοσμίως. Ως εκ τούτου, ο σωστός έλεγχος για έγκαιρη διάγνωση και θεραπεία καθίσταται σημαντ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/26133 |
| id |
nemertes-10889-26133 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-261332023-11-03T05:05:24Z Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου Mammogram classification using generative adversarial networks for cancer diagnosis Μαργκάς, Άγγελος Margkas, Angelos Ενδοσυμπλήρωση εικόνας Βαθιά μάθηση Καρκίνος του μαστού Αναγεννητικά ανταγωνιστικά μοντέλα Image inpainting Breast cancer Generative Adversarial Network (GANs) Deep learning Ο καρκίνος είναι μια ασθένεια που συνεχίζει να μαστίζει τη σύγχρονη κοινωνία μας. Μεταξύ όλων των τύπων καρκίνου, ο καρκίνος του μαστού είναι πλέον ο πιο συχνός τύπος καρκίνου που εμφανίζεται στις γυναίκες παγκοσμίως. Ως εκ τούτου, ο σωστός έλεγχος για έγκαιρη διάγνωση και θεραπεία καθίσταται σημαντικός παράγοντας για την καταπολέμηση της νόσου. Η μαστογραφία είναι η κύρια διαδικασία προσυμπτωματικού ελέγχου του καρκίνου του μαστού, προσπαθώντας να μειώσει την θνησιμότητα του καρκίνου του μαστού με την έγκαιρη ανίχνευση. Η τεχνητή νοημοσύνη (ΤΝ) συνεχίζει να φέρνει επανάσταση σε διάφορους τομείς της ζωής μας με τις πολυάριθμες εφαρμογές της. Ωστόσο, πολλές φορες, παρατηρείται ανεπάρκεια έγκυρων διαθέσιμων ιατρικών δεδομένων, με αποτελέσματα τα μοντέλων να αποφέρουν καρποφόρα αποτελέσματα. Στην παρούσα εργασία εξετάζουμε πως μπορούμε να εκμεταλλευτούμε το πλήθος των υγιών μαστογραφιών που υπάρχου διαθέσιμα σε ανοιχτά σύνολα δεδομένων, μιας και συνήθως ξεπερνάνε κατά πολύ σε αριθμό τις μαστογραφίες που φέρνουν κακοήθεια, για να εκπαιδεύσουμε Αναγεννητικά Ανταγωνιστικά Νευρωνικά Δίκτυα(Generative Adversarial Networks - GAN's), με σκοπό της χρήσης του Αναγεννητικού Μοντέλου για ενδοσμπλήρωση εικονιδίων (patches). Η εφαρμογή αυτών των μοντέλων στις ιατρικές εικόνες έχει αυξηθεί τα τελευταία χρόνια λόγω της ραγδαία αύξησης συλλογής περισσότερων δεδομένων και της βελτιώσης της υπολογιστικής δύναμης. Ωστόσο, στην βιβλιογραφία δεν αξιοποιούν το μεγάλο μέγεθος το θετικών ευρημάτων, για την εκπαίδευση Αναγγενητικών Μοντέλων. Cancer is a disease that continues to plague our modern society. Among all types of cancer, breast cancer is now the most common type of cancer occurring in women worldwide. Therefore, proper screening for early diagnosis and treatment becomes an important factor in the fight against the disease. Mammography is the main breast cancer screening procedure, trying to reduce breast cancer mortality by early detection. Artificial intelligence (AI) continues to revolutionize various areas of our lives with its numerous applications. However, there is a shortage of valid available medical data many times, resulting in the results of models yielding fruitless results. In this work we investigate how to exploit the large number of healthy mammograms available in open datasets, since they usually far outnumber malignant mammograms, to train Generative Adversarial Networks (GAN's) for the purpose of using them to achieve great image inpainting results. The application of these models in medical imaging has increased in recent years due to the rapid development of collecting more data and improving computing power. However, in the literature, the large body of positive findings for training of Diagnostic Models is not exploited. 2023-11-02T09:05:17Z 2023-11-02T09:05:17Z 2023-10-30 https://hdl.handle.net/10889/26133 el CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ενδοσυμπλήρωση εικόνας Βαθιά μάθηση Καρκίνος του μαστού Αναγεννητικά ανταγωνιστικά μοντέλα Image inpainting Breast cancer Generative Adversarial Network (GANs) Deep learning |
| spellingShingle |
Ενδοσυμπλήρωση εικόνας Βαθιά μάθηση Καρκίνος του μαστού Αναγεννητικά ανταγωνιστικά μοντέλα Image inpainting Breast cancer Generative Adversarial Network (GANs) Deep learning Μαργκάς, Άγγελος Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| description |
Ο καρκίνος είναι μια ασθένεια που συνεχίζει να μαστίζει τη σύγχρονη κοινωνία μας. Μεταξύ όλων των τύπων καρκίνου, ο καρκίνος του μαστού είναι πλέον ο πιο συχνός τύπος καρκίνου που εμφανίζεται στις γυναίκες παγκοσμίως. Ως εκ τούτου, ο σωστός έλεγχος για έγκαιρη διάγνωση και θεραπεία καθίσταται σημαντικός παράγοντας για την καταπολέμηση της νόσου. Η μαστογραφία είναι η κύρια διαδικασία προσυμπτωματικού ελέγχου του καρκίνου του μαστού, προσπαθώντας να μειώσει την θνησιμότητα του καρκίνου του μαστού με την έγκαιρη ανίχνευση. Η τεχνητή νοημοσύνη (ΤΝ) συνεχίζει να φέρνει επανάσταση σε διάφορους τομείς της ζωής μας με τις πολυάριθμες εφαρμογές της. Ωστόσο, πολλές φορες, παρατηρείται ανεπάρκεια έγκυρων διαθέσιμων ιατρικών δεδομένων, με αποτελέσματα τα μοντέλων να αποφέρουν καρποφόρα αποτελέσματα. Στην παρούσα εργασία εξετάζουμε πως μπορούμε να εκμεταλλευτούμε το πλήθος των υγιών μαστογραφιών που υπάρχου διαθέσιμα σε ανοιχτά σύνολα δεδομένων, μιας και συνήθως ξεπερνάνε κατά πολύ σε αριθμό τις μαστογραφίες που φέρνουν κακοήθεια, για να εκπαιδεύσουμε Αναγεννητικά Ανταγωνιστικά Νευρωνικά Δίκτυα(Generative Adversarial Networks - GAN's), με σκοπό της χρήσης του Αναγεννητικού Μοντέλου για ενδοσμπλήρωση εικονιδίων (patches). Η εφαρμογή αυτών των μοντέλων στις ιατρικές εικόνες έχει αυξηθεί τα τελευταία χρόνια λόγω της ραγδαία αύξησης συλλογής περισσότερων δεδομένων και της βελτιώσης της υπολογιστικής δύναμης. Ωστόσο, στην βιβλιογραφία δεν αξιοποιούν το μεγάλο μέγεθος το θετικών ευρημάτων, για την εκπαίδευση Αναγγενητικών Μοντέλων. |
| author2 |
Margkas, Angelos |
| author_facet |
Margkas, Angelos Μαργκάς, Άγγελος |
| author |
Μαργκάς, Άγγελος |
| author_sort |
Μαργκάς, Άγγελος |
| title |
Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| title_short |
Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| title_full |
Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| title_fullStr |
Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| title_full_unstemmed |
Ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| title_sort |
ταξινόμηση μαστογραφιών με χρήση αναγεννητικών ανταγωνιστικών νευρωνικών δικτύων για την διάγνωση καρκίνου |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/26133 |
| work_keys_str_mv |
AT marnkasangelos taxinomēsēmastographiōnmechrēsēanagennētikōnantagōnistikōnneurōnikōndiktyōngiatēndiagnōsēkarkinou AT marnkasangelos mammogramclassificationusinggenerativeadversarialnetworksforcancerdiagnosis |
| _version_ |
1799945009864114176 |
