Please use this identifier to cite or link to this item:
Title: Τεχνικές μηχανικής εκμάθησης για την ανάλυση μυοσκελετικών εικόνων υπερήχων
Other Titles: Machine learning techniques for musculoskeletal ultrasound image analysis
Authors: Κακοταρίτης, Αλέξανδρος
Keywords: Τμηματοποίηση
Πάχος μυός
Μυοσκελετικός υπέρηχος
Μηχανική εκμάθηση
Keywords (translated): Segmentation
Muscle thickness
Musculoskeletal ultrasound
Machine learning
Abstract: Με το πεδίο της μηχανικής εκμάθησης να έχει μία ποικιλία εφαρμογών στην σημερινή εποχή σε πολλούς κλάδους, ένας από τους σημαντικούς είναι η κλινική πρακτική. Η χρήση αλγορίθμων που μπορούν να επιταχύνουν την διάγνωση παθήσεων αναλύοντας ιατρικά σήματα και εικόνες είναι ένα γρήγορα αναπτυσσόμενο πεδίο έρευνας. Συγκεκριμένα το παρακάτω κείμενο επικεντρώνεται στην τμηματοποίηση εικόνων μυοσκελετικού υπέρηχου με σκοπό τον εντοπισμό των ορίων κάθε μυ και την μέτρηση του πάχους τους. Αυτό επιτυγχάνεται με την χρήση δύο τεχνικών, την MUSA η οποία αποτελεί μία κλασική τεχνική τμηματοποίησης μυοσκελετικού υπερήχου και το U-Net ένα βαθύ συνελικτικό που ειδικεύεται στην τμηματοποίηση ιατρικών εικόνων.
Abstract (translated): In recent years machine learning has been employed with very good results in a plethora of applications. A critical field of great importance is that of clinical practice. The usage of algorithms that can accelerate the diagnosis of a condition by analyzing medical signals or medical images is a field that develops at a fast pace. The present thesis focuses on the task of segmentation of musculoskeletal ultrasound images with the purpose of locating the muscle’s boundaries and measuring its thickness. It is achieved by using and comparing the performance of two techniques, on one hand MUSA a classical technique for segmenting musculoskeletal ultrasound images and on the other hand U-Net a deep convolutional network specialized in the segmentation task of medical images.
Appears in Collections:Τμήμα Φυσικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 

This item is licensed under a Creative Commons License Creative Commons