Τεχνικές μηχανικής μάθησης και βαθιάς μάθησης για την ανίχνευση καρκινικών όγκων στον εγκέφαλο με χρήση MRIs
Loading...
Date
2026-06-30
Authors
Μπαλάσης, Ιωάννης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη και αξιολόγηση συστημάτων βαθιάς μάθησης για την αυτόματη ταξινόμηση όγκων εγκεφάλου από εικόνες Μαγνητικής Τομογραφίας (MRI). Το πρόβλημα της έγκαιρης και ακριβούς διάγνωσης εγκεφαλικών όγκων αποτελεί κρίσιμη πρόκληση στη σύγχρονη νευροογκολογία, καθώς η επιλογή θεραπευτικής αγωγής εξαρτάται άμεσα από τον τύπο και τη βαρύτητα του όγκου. Στο πλαίσιο της εργασίας σχεδιάστηκαν, υλοποιήθηκαν και αξιολογήθηκαν συστηματικά επτά διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων, με αυξανόμενο βαθμό πολυπλοκότητας. Συγκεκριμένα, υλοποιήθηκαν: δίκτυο δυαδικής ταξινόμησης (Binary CNN) για ανίχνευση παρουσίας όγκου, δίκτυα πολυκατηγορικής ταξινόμησης 4 και 3 κλάσεων (glioma, meningioma, pituitary tumor, no tumor), σύστημα συνόλου 1-vs-1 δυαδικών ταξινομητών, καθώς και τρία dual branch συστήματα που συνδυάζουν προ-εκπαιδευμένα δίκτυα (ResNet-50, EfficientNet-B3) με custom CNN αρχιτεκτονική και ένα πρωτότυπο υβριδικό σύστημα διπλού κλάδου που συνδυάζει ταξινομητές 3 και 4 κλάσεων. Όλα τα μοντέλα εκπαιδεύτηκαν στο Kaggle Brain Tumor MRI Dataset και αξιολογήθηκαν με πλήρη σύνολο μετρικών αξιολόγησης, περιλαμβανομένων accuracy, precision, recall, F1-score και AUC. Για την αυστηρή στατιστική σύγκριση των αρχιτεκτονικών εφαρμόστηκε ολοκληρωμένη ανάλυση στατιστικής σημαντικότητας, που περιλάμβανε τον Friedman test, τον Nemenyi post-hoc test, τον Wilcoxon Signed-Rank test με Bonferroni correction, το Critical Difference Diagram και τον υπολογισμό του effect size μέσω του Cohen’s d. Επιπλέον, για την ερμηνευσιμότητα των αποφάσεων των μοντέλων εφαρμόστηκαν τεχνικές Explainable AI (XAI), συγκεκριμένα Grad-CAM, SHAP, Integrated Gradients και Occlusion Analysis, με στόχο την ανάδειξη των περιοχών της εικόνας που επηρεάζουν τις προβλέψεις και την κλινική ερμηνεία των αποτελεσμάτων. Τα αποτελέσματα έδειξαν ότι το Binary CNN επιτυγχάνει την υψηλότερη συνολική ακρίβεια (98.60%), ενώ το 4-Class CNN (98.01%), το 3-Class CNN (97.80%) και το 1-vs-1 Ensemble (97.60%) αποτελούν στατιστικά ισοδύναμη ομάδα κορυφαίας απόδοσης. Η στατιστική ανάλυση αποκάλυψε ότι η αύξηση της αρχιτεκτονικής πολυπλοκότητας μέσω dual branch συστημάτων δεν οδηγεί σε στατιστικά σημαντική βελτίωση της απόδοσης, ενώ το Meningioma αναδείχθηκε ως η πλέον δύσκολη κλάση διαγνωστικά, εύρημα συνεπές με τη σχετική βιβλιογραφία. Το πρωτότυπο Multi-Dual System επιτυγχάνει ακρίβεια 94.44%, ξεπερνώντας τα υπόλοιπα dual branch συστήματα.
Description
Keywords
Βαθιά μάθηση, Ταξινόμηση όγκων εγκεφάλου, Μαγνητική τομογραφία, Συνελικτικά νευρωνικά δίκτυα, Μεταφορά μάθησης, Dual branch αρχιτεκτονική, Στατιστική ανάλυση σημαντικότητας, Επεξηγηματική τεχνητή νοημοσύνη