Αναγνώριση SARS-CoV-2 σε ακτινογραφίες : μια σύγκριση τεχνικών deep learning και αλγορίθμων μηχανικής μάθησης
Loading...
Files
Date
2025-06-23
Authors
Βλασσόπουλος, Ιωάννης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η συγκεκριμένη διπλωματική εντάσσεται στo πεδίo της Μηχανικής Μάθησης και της Βαθείας Μάθησης με χρήση Ιατρικών Εικόνων. Σκοπός της είναι η εφαρμογή και η σύγκριση αλγορίθμωνΜηχανικής έναντι Βαθείας Μάθησης για την ταξινόμηση εικόνων ακτινογραφίας θώρακος απόμια δημόσια και ελεύθερη Βάση Δεδομένων [1] [2]. Υπάρχουν τέσσερις κατηγορίες εικόνων στηβάση· συγκεκριμένα: (α) Covid-19, (β) μη Covid-19 (non Covid-19) ιική πνευμονία, (γ)βακτηριακή πνευμονία και (δ) φυσιολογική, άνευ ευρημάτων. Στόχος είναι η κατηγοριοποίησητων εικόνων σε καθεμία από τις παραπάνω κατηγορίες.Το ειδικό ενδιαφέρον για τη νόσο COVID -19 προέκυψε μετά την πανδημία που προκάλεσε οκορωνοϊός SARS-CoV-2, για τον οποίο, σύμφωνα με τα στατιστικά του Παγκόσμιου ΟργανισμούΥγείας [3], μέχρι τον Μάρτιο του 2024 είχαν καταγραφεί πάνω από 774 εκατομμύρια κρούσματακαι πάνω από 7 εκατομμύρια θάνατοι. Προκειμένου να γίνει διάγνωση του ιού, γίνεται λήψηδειγμάτων τα οποία υποβάλλονται σε RT-PCR ή/και Rapid AG ελέγχους, ενώ διάγνωση γίνεταικαι με εικόνες ακτινογραφίας οι οποίες αποτελούν και τα πρωτογενή δεδομένα για την παρούσαδιπλωματική.Κατά την εκπόνηση της διπλωματικής υλοποιήθηκαν δύο διαφορετικές προσεγγίσεις για τηνκατηγοριοποίηση των εικόνων και τον χαρακτηρισμό τους. Στην πρώτη προσέγγιση,υλοποιήθηκε ένα σύστημα Μηχανικής, όπου οι εικόνες ακτινογραφίας θώρακος πουχρησιμοποιήθηκαν ως πρωτογενή δεδομένα δόθηκαν ως είσοδο στη βιβλιοθήκη PyRadiomics,προκειμένου να εξαχθούν χαρακτηριστικά (features) των ακτινογραφιών. Με αυτόν τον τρόπο,για κάθε εικόνα δημιουργήθηκε ένα μοναδικό διάνυσμα χαρακτηριστικών, το οποίο στησυνέχεια δόθηκε ως είσοδος σε διαφορετικούς αλγόριθμους ταξινόμησης -ενδεικτικά SVM,KNN, και στη συνέχεια αξιολογήθηκε η απόδοση του κάθε αλγορίθμου μέσα από μια διαδικασία5-fold Cross Validation.Στη δεύτερη προσέγγιση, έγινε μια προεπεξεργασία των εικόνων ακτινογραφίας που λήφθηκαναπό τη Βάση Δεδομένων και ακολούθως δόθηκαν ως είσοδο σε τέσσερα συνελικτικά νευρωνικά20δίκτυα. Τα τρία πρώτα ήταν προεκπαιδευμένα (VGG19, ResNet50, Squeezenet), ενώ το τέταρτοήταν ένα μη εκπαιδευμένο (empty) νευρωνικό δίκτυο, βασισμένο σε Squeezenet.Η διπλωματική ολοκληρώνεται με τη σύγκριση μεταξύ των δύο προσεγγίσεων ως προς τηνακρίβεια των αποτελεσμάτων, την ευκολία/βιωσιμότητα υλοποίησης, τον χρόνο/απαιτήσειςυλοποίησης, καθώς και τον χρόνο/απαιτήσεις «χρήσης».
Description
Keywords
Βαθιά μάθηση, Μηχανική μάθηση, Ακτινογραφία