Deep learning based brain tumor segmentation in MRI images
| datacite.contributor.RelatedPerson | Σκόδρας, Αθανάσιος | |
| datacite.contributor.RelatedPerson | Σγάρμπας, Κυριάκος | |
| datacite.contributor.Supervisor | Μουστάκας, Κωνσταντίνος | |
| dc.contributor.author | Τσουμπού, Ισμήνη | |
| dc.contributor.other | Tsoumpou, Ismini | |
| dc.date.accessioned | 2025-02-26T06:54:12Z | |
| dc.date.available | 2025-02-26T06:54:12Z | |
| dc.date.issued | 2025-02-17 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Brain tumor segmentation is a critical task in medical image analysis, playing a vital role in diagnosis, treatment planning, and patient monitoring. Despite significant progress in the field, the complexity of brain tumor morphology and variability in MRI data pose significant challenges. In this thesis, we develop and evaluate two deep learning-based models for brain tumor segmentation using 3D MRI volumes: a hybrid 3D model that combines U-Net and transformer architectures, and a similar computationally efficient 2D slice-by-slice model that includes an initial slice-level clinician’s prediction. Both models were evaluated on a well-established brain tumor dataset, achieving performance comparable to state-of-the-art methods. The 3D model delivered competitive results; however, its high computational demands required downsampled images during training, resulting in a trade-off in accuracy when applied to full-resolution data. In contrast, the 2D slice-by-slice model emerged as a more lightweight and computationally efficient solution. By sequentially processing each MRI slice alongside the previously predicted mask slice, it effectively preserves critical image details without downsampling and maintains, to some extent, spatial coherence across slices. This strategic design enables accurate segmentation while mitigating the computational challenges posed by high-resolution data. This study highlights the potential of hybrid CNN-transformer models for medical image segmentation, providing valuable insights into their design, performance trade-offs, and practical applicability. The findings contribute to advancing brain tumor segmentation methodologies, paving the way for further research and optimization in medical imaging tasks. | |
| dc.description.translatedabstract | Η τμηματοποίηση όγκων εγκεφάλου αποτελεί μια κρίσιμη εργασία στην ανάλυση ιατρικών εικόνων, διαδραματίζοντας σημαντικό ρόλο στη διάγνωση και τον σχεδιασμό θεραπείας. Παρά τη σημαντική πρόοδο στον τομέα, η πολυπλοκότητα της μορφολογίας των όγκων εγκεφάλου και η μεταβλητότητα των δεδομένων MRI εξακολουθούν να αποτελούν σοβαρές προκλήσεις. Στην παρούσα διπλωματική εργασία, αναπτύξαμε και αξιολογήσαμε δύο μοντέλα βασισμένα σε βαθιά μάθηση για την τμηματοποίηση όγκων εγκεφάλων σε 3D MRI δεδομένα: ένα υβριδικό 3D μοντέλο που συνδυάζει αρχιτεκτονικές U-Net και Transformer, καθώς και ένα παρόμοιο αλλά πιο αποδοτικό υπολογιστικά 2D slice-by-slice μοντέλο, που λαμβάνει υπόψιν μια αρχική επιπέδου τομής πρόβλεψη γιατρού. Και τα δύο μοντέλα αξιολογήθηκαν σε ένα ευρέως καθιερωμένο σύνολο δεδομένων όγκων εγκεφάλου, επιτυγχάνοντας απόδοση συγκρίσιμη με αυτή των πιο σύγχρονων μεθόδων. Το 3D μοντέλο παρείχε ανταγωνιστικά αποτελέσματα· ωστόσο, οι υψηλές απαιτήσεις του σε υπολογιστικούς πόρους κατέστησαν απαραίτητη τη χρήση εικόνων χαμηλότερης ανάλυσης κατά την εκπαίδευση, γεγονός που οδήγησε σε έναν συμβιβασμό ως προς την ακρίβεια όταν εφαρμόστηκε σε δεδομένα πλήρους ανάλυσης. Αντίθετα, το 2D slice-by-slice μοντέλο αποδείχθηκε σημαντικά πιο αποδοτικό από υπολογιστική άποψη. Επεξεργάζεται διαδοχικά κάθε τομή MRI μαζί με την προηγουμένως προβλεφθείσα μάσκα, διατηρώντας έτσι, σε κάποιο βαθμό, τη χωρική συνοχή μεταξύ των τομών και διασφαλίζοντας τη διατήρηση κρίσιμων λεπτομερειών χωρίς απώλειες ανάλυσης. Αυτή η στρατηγική σχεδίασης επιτρέπει την ακριβή τμηματοποίηση, μειώνοντας παράλληλα τις υπολογιστικές προκλήσεις που σχετίζονται με δεδομένα υψηλής ανάλυσης. Η παρούσα μελέτη αναδεικνύει τη δυναμική των υβριδικών μοντέλων CNN-Transformer στην τμηματοποίηση εικόνων, παρέχοντας πολύτιμες γνώσεις σχετικά με τον σχεδιασμό τους, τους υπολογιστικούς συμβιβασμούς και τη πρακτική τους εφαρμογή. Τα ευρήματα συμβάλλουν στην περαιτέρω ανάπτυξη των μεθοδολογιών τμηματοποίησης εγκεφαλικών όγκων, ανοίγοντας τον δρόμο για μελλοντική έρευνα και βελτιστοποίηση σε έργα ιατρικής απεικόνισης. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29050 | |
| dc.language.iso | en | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Artificial intelligence | |
| dc.subject | Deep learning | |
| dc.subject | Brain tumor segmentation | |
| dc.subject.alternative | Τεχνητή νοημοσύνη | |
| dc.subject.alternative | Βαθιά μάθηση | |
| dc.subject.alternative | Κατάτμηση εγκεφαλικού όγκου | |
| dc.title | Deep learning based brain tumor segmentation in MRI images | |
| dc.title.alternative | Κατάτμηση εγκεφαλικού όγκου σε MRI εικόνες με χρήση μεθόδων βαθιάς μάθησης |