Διάγνωση υπερθυρεοειδισμού μέσω τεχνητών νευρωνικών δικτύων
| datacite.contributor.RelatedPerson | Χατζηδούκας, Παναγιώτης | |
| datacite.contributor.RelatedPerson | Τσίχλας, Κωνσταντίνος | |
| datacite.contributor.Supervisor | Οικονόμου, Γεώργιος-Πέτρος | |
| dc.contributor.author | Πεσκελίδης, Παύλος | |
| dc.contributor.other | Peskelidis, Pavlos | |
| dc.date.accessioned | 2025-05-22T06:01:19Z | |
| dc.date.available | 2025-05-22T06:01:19Z | |
| dc.date.issued | 2025-01-02 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία στοχεύει στην ανίχνευση παθήσεων του θυρεοειδούς αδένα, και κυρίως του υποθυρεοειδισμού, με τη χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ). Ένα σημαντικό ποσοστό του πληθυσμού ταλαιπωρείται από προβλήματα που αφορούν στον θυρεοειδή καθώς, σύμφωνα με την αμερικανική ομοσπονδία θυρεοειδούς, πάνω από το 12% των Αμερικάνων πολιτών πάσχουν από τουλάχιστον μία πάθηση του θυρεοειδούς, ενώ έως και το 60% αυτών δεν γνωρίζουν για το πρόβλημα τους. Στην Ελλάδα παρατηρούνται αντίστοιχα ποσοστά με την πλειοψηφία των ασθενών να αποτελείται από γυναίκες (έως και 8-10 φορές περισσότερα περιστατικά από τους άντρες). Η ανίχνευση αυτών των παθήσεων αποτελεί μια μεγάλη δοκιμασία, καθώς η διάγνωση τους εξαρτάται από πολλές διαφορετικές μετρήσεις, οι ανωμαλίες των οποίων μπορούν να συνδέονται και με διαφορετικές ασθένειες που δεν αφορούν τον θυρεοειδή. Η εισαγωγή των ΤΝΔ στην διάγνωση ασθενειών, έχει προσφέρει πολλές λύσεις στις δυσκολίες που δημιουργεί ο όγκος των δεδομένων μιας και τα ΤΝΔ έχουν τη δυνατότητα να δημιουργούν συσχετίσεις και μοτίβα ανάμεσα στα δεδομένα, έτσι ώστε να παρέχουν ακριβείς διαγνώσεις. Συνεπώς, ο στόχος σε αυτή την Διπλωματική είναι η μελέτη διαφορετικών αρχιτεκτονικών Τεχνητών Νευρωνικών Δικτύων και αλγορίθμων εκπαίδευσης, με σκοπό να βρεθούν τα δίκτυα με τα καλύτερα αποτελέσματα ως προς την απόδοση. Με την κατάλληλη προεπεξεργασία των δεδομένων, αλλά και τη χρήση αρκετών αλγορίθμων εκπαίδευσης προσεγγίστηκαν τα βέλτιστα αποτελέσματα. Στην εργασία χρησιμοποιήθηκαν Νευρωνικό Δίκτυο feed-forward, Επαναλαμβανόμενο Νευρωνικό Δίκτυο (RNN-Recurrent Neural Network), Συνελικτικό Νευρωνικό Δίκτυο (CNNConvolutional Neural Network) καθώς και RBF Nευρωνικό Δίκτυο (Radial Basis Function Neural Network). Η υλοποίηση έγινε σε περιβάλλον Python ενώ για τα Νευρωνικά Δίκτυα feed-forward πραγματοποιήθηκαν τα ίδια πειράματα με υλοποίηση σε MATLAB, ώστε να επαληθευτούν τα αποτελέσματα. | |
| dc.description.translatedabstract | The present thesis aims at detecting thyroid gland disorders, primarily hypothyroidism, using Artificial Neural Networks (ANN). A significant portion of the population suffers from thyroid-related problems since, according to the American Thyroid Association, over 12% of American citizens have at least one thyroid disorder, and up to 60% of them are unaware of their condition. In Greece, similar percentages are observed, with the majority of patients being women (up to 8-10 times more cases than men). Detecting these disorders poses a significant challenge for the medical field, as their diagnosis depends on multiple measurements, abnormalities of which can be linked to various diseases unrelated to the thyroid. The introduction of Artificial Neural Networks (ANNs) in disease diagnosis has provided many solutions to the difficulties posed by the volume of data because ANNs have the ability to create correlations and patterns among the data, thus providing accurate diagnoses. Consecutively, the aim of this thesis is to study variant architectures of Artificial Neural Networks and different training algorithms in order to find the ones that yield the best performance. With the appropriate data preprocessing and the use of several training algorithms, optimal results were obtained. This work implemented a feed-forward Neural Network, a Recurrent Neural Network (RNN), a Convolutional Neural Network (CNN), as well as a Radial Basis Function Neural Network (RBF). The implementation was carried out in a Python environment, while the experiments for the feed-forward Neural Networks were also conducted using MATLAB to validate the results. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29510 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NoDerivs 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/gr/ | |
| dc.subject | Τεχνητά νευρωνικά δίκτυα (ΤΝΔ) | |
| dc.subject | Υπερθυρεοειδισμός | |
| dc.subject | Αλγόριθμοι εκπαίδευσης | |
| dc.subject | Τεχνητά νευρωνικά δίκτυα εμπρόσθιας διάδοσης | |
| dc.subject | Αναδρομικά νευρωνικά δίκτυα | |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | |
| dc.subject | Νευρωνικά δίκτυα ακτινικής βάσης | |
| dc.subject | Συστήματα υποστήριξης αποφάσεων | |
| dc.subject.alternative | Artificial neural networks (ANN) | |
| dc.subject.alternative | Hyperthyroidism | |
| dc.subject.alternative | Feed forward neural networks | |
| dc.subject.alternative | Recurrent neural networks | |
| dc.subject.alternative | Convolutional neural networks | |
| dc.subject.alternative | Radial basis function | |
| dc.subject.alternative | Decision support systems | |
| dc.subject.alternative | Python | |
| dc.subject.alternative | MATLAB | |
| dc.title | Διάγνωση υπερθυρεοειδισμού μέσω τεχνητών νευρωνικών δικτύων | |
| dc.title.alternative | Diagnosis of hyperthyroidism using artificial neural networks |