Segmentation of CT scans from coronary arteries with deep learning
| datacite.contributor.RelatedPerson | Γκόρτσας, Θεόδωρος | |
| datacite.contributor.Supervisor | Λούτας, Θεόδωρος | |
| datacite.contributor.Supervisor | Σακελλάριος, Αντώνιος | |
| dc.contributor.author | Τουμανίδη, Βικτωρία | |
| dc.contributor.other | Toumanidi, Victoria | |
| dc.date.accessioned | 2026-03-03T12:34:40Z | |
| dc.date.available | 2026-03-03T12:34:40Z | |
| dc.date.issued | 2026-03-03 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Coronary artery disease (CAD) is defined as a group of cardiovascular diseases, including angina, myocardial infarction, and sudden cardiac death, which are caused by the limitation of blood flow to the myocardium, often due to atherosclerosis and cholesterol-rich plaque buildup in the arteries. Unfortunately, CAD is the prevalent cause of mortality worldwide, affecting both developed and developing countries alike. Visualization of the coronary arteries has been a vital step in assessing and evaluating the severity of coronary artery disease in a patient. Segmentation of the coronary arteries is the cornerstone of this visualization. Furthermore, before the advent of machine learning, this process was conducted by experienced medical staff. This procedure has been tedious and highly detail-oriented. Therefore, mistakes were highly expected. To limit these errors, artificial intelligence has had a significant impact in recent years, enabling more automated and reliable detection of vascular boundaries. More precisely, the development of artificial neural networks (ANNs) and, by extension, convolutional neural networks (CNNs) has been crucial to the precision and automation of this process. Consequently, in order to facilitate both the physician's and the patient's experience, we have created an interactive model that utilizes the doctor’s directories to segment the selected artery. Moreover, with just five to ten clicks, the physician can indicate the artery where more information is needed. Hence, the artery is segmented, allowing the doctor to gather the necessary specifications. In a nutshell, this thesis is a preliminary study into methods that could revolutionize the diagnostic process of cardiovascular diseases. It is a showcase of how technology and medicine are two sciences advancing interdependently, dedicated to improving human health. | |
| dc.description.translatedabstract | Η στεφανιαία νόσος αποτελείται από ένα σύνολο καρδιαγγειακών παθήσεων, συμπεριλαμβανομένης της στηθάγχης, του εμφράγματος του μυοκαρδίου και του αιφνίδιου καρδιακού θανάτου. Οφείλεται στην αθηροσκλήρωση των στεφανιαίων αρτηριών που αναλαμβάνουν την τροφοδότηση αίματος προς τον καρδιακό μυ. Η απεικόνιση των στεφανιαίων αρτηριών είναι το πρώτο βήμα για την αξιολόγηση της στεφανιαίας νόσου σε έναν ασθενή. Η τμηματοποίηση των στεφανιαίων αρτηριών αποτελεί τον ακρογωνιαίο λίθο αυτής της απεικόνισης. Πριν από την άνοδο της μηχανικής μάθησης, η διαδικασία αυτή εκτελούνταν χειροκίνητα από έμπειρο ιατρικό προσωπικό, αποτελώντας μια χρονοβόρα και ανακριβή διαδικασία. Πιο συγκεκριμένα, η ανάπτυξη των τεχνητών νευρωνικών δικτύων (Artificial Neural Networks – ANNs) και, κατ’ επέκταση, των συνελικτικών νευρωνικών δικτύων (Convolutional Neural Networks – CNNs), υπήρξε καθοριστική για την ακρίβεια και την αυτοματοποίηση της συγκεκριμένης διαδικασίας. Συνεπώς, με σκοπό τη διευκόλυνση τόσο του ιατρού όσο και του ασθενούς, δημιουργήσαμε ένα διαδραστικό μοντέλο που αξιοποιεί τις κατευθυντήριες υποδείξεις του ιατρού για την τμηματοποίηση της επιλεγμένης αρτηρίας. Έτσι, η αρτηρία τμηματοποιείται, επιτρέποντας στον ιατρό να συλλέξει τα απαραίτητα χαρακτηριστικά και μετρήσεις. Συνοψίζοντας, η παρούσα διπλωματική εργασία αποτελεί μια μελέτη των μεθόδων που θα μπορούσαν να μεταλλάξουν τη διαγνωστική διαδικασία των καρδιαγγειακών νοσημάτων. Είναι έκδηλο ότι η τεχνολογία και η ιατρική εξελίσσονται παράλληλα, με κοινό στόχο τη βελτίωση της ανθρώπινης υγείας. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31589 | |
| dc.language.iso | en | |
| dc.rights | Attribution-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/4.0/ | |
| dc.subject | Coronary artery disease | |
| dc.subject | Artificial intelligence | |
| dc.subject | Convolutional neural networks | |
| dc.subject | Interactive segmentation | |
| dc.subject.alternative | Στεφανιαία νόσος | |
| dc.subject.alternative | Τεχνητή νοημοσύνη | |
| dc.subject.alternative | Συνελικτικά νευρωνικά δίκτυα | |
| dc.subject.alternative | Διαδραστική τμηματοποίηση | |
| dc.title | Segmentation of CT scans from coronary arteries with deep learning | |
| dc.title.alternative | Τμηματοποίηση αξονικής τομογραφίας στεφανιαίας αρτηρίας με βαθιά μάθηση |