Διάγνωση νευροεκφυλιστικών ασθενειών με σύγχρονες τεχνικές βαθιάς μάθησης

• Κύριος συγγραφέας: Κουκόπουλος, Θεόδωρος
• Άλλοι συγγραφείς: Koukopoulos, Theodoros
• Γλώσσα: Greek
• Έκδοση: 2024
• Θέματα: Νευροεκφυλιστικές ασθένειες; Αλτσχάιμερ; Ήπια γνωστική εξασθένηση; Μαγνητική τομογραφία; Κατηγοριοποίηση ιατρικών εικόνων; Βαθιά μάθηση; Διαρροή δεδομένων; Συνελικτικά νευρωνικά δίκτυα; Μηχανική μάθηση; Neurodegenerative diseases; Alzheimer; Mild Cognitive Impairment (MCI); Magnetic Resonance Imaging (MRI); Machine learning; Medical image classification; Data leakage; Convolutional Neural Networks (CNNs); VGG-16; ResNet-50; Vision Transformers (ViT); DeiT; CaiT; Deep learning

Η παρούσα εργασία πραγματεύεται τη διάγνωση των νευροεκφυλιστικών ασθενειών, Alzheimer και MCI, με χρήση των πιο σύγχρονων μεθόδων Τεχνητής Νοημοσύνης. Το συγκεκριμένο θέμα αποτελεί ανοιχτή ερευνητική πρόκληση, καθώς η ιατρική φύση των νόσων αυτών καθιστά την αναγνώρισή των ιδιαιτέρως δύσκολη υπόθεση. Με σκοπό λοιπόν την άμεση και ακριβή διάγνωση των νόσων, αξιοποιούνται αρχεία μαγνητικής τομογραφίας (MRI) εγκεφάλου. Τα αρχεία επεξεργάζονται κατάλληλα και χρησιμοποιούνται για την αναζήτηση του βέλτιστου αριθμού και επιπέδου εξαγωγής των πληροφοριακά πολυτιμότερων δισδιάστατων απεικονίσεων που περιέχουν. Οι απεικονίσεις που προκύπτουν, συνιστούν είσοδο των state-of-the-art Συνελικτικών Δικτύων, που υλοποιούνται. Κάθε δίκτυο αξιοποιείται και για την εξαγωγή χαρακτηριστκών, αλλά και ως ολοκληρωμένο δίκτυο πρόβλεψης. Τα αποτελέσματα των συνελικτικών μοντέλων, αν και επιβεβαιώνουν τις δημοσιευμένες εργασίες που ακολουθούν την ορθή διαδικασία διαχωρισμού των δεδομένων εκπαίδευσης και ελέγχου, κρίνονται ως μη-απολύτως ικανοποιητικά. Για το λόγο αυτό, ακολουθεί η πρωτότυπη υλοποίηση και αξιοποίηση Vision Transformer αρχιτεκτονικών. Οι αρχιτεκτονικές αυτές παρουσιάζουν αξιοσημείωτη βελτίωση στη προσπάθεια διάγνωσης των νευροεκφυλιστικών νόσων, παρέχοντας υψηλότερες επιδόσεις σε σχέση με τις αντίστοιχες των συνελικτικών δικτύων. Ακόμα, επειδή εντοπίζεται πως σε σημαντικό τμήμα της βιβλιογραφίας, που διατείνεται εντυπωσιακές επιδόσεις στο συγκεκριμένο πρόβλημα, ακολουθείται λανθασμένη διαδικασία διαχωρισμού των δεδομένων, σχεδιάζεται κατάλληλο πείραμα για την αποδεικτική κατάρριψη των ισχυρισμών αυτών και την ανάδειξη της σοβαρότητας του φαινομένου διαρροής δεδομένων στην αξιολόγηση των μοντέλων.