Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14106
Title: Ανάλυση εικόνας με στόχο τον εντοπισμό καρκίνου με τεχνικές μηχανικής και εις βάθος μάθησης
Other Titles: Machine learning & deep learning methods in medical imaging for the recognition of breast cancer
Authors: Ματζάκος Χωριανόπουλος, Αντώνιος
Keywords: Μηχανική μάθηση
Βαθιά μάθηση
Συνελικτικά νευρωνικά δίκτυα
Καρκίνος μαστού
Ανάλυση εικόνας
Ιατρικές εικόνες
Keywords (translated): Machine learning
Deep learning
Convolutional neural networks
Breast cancer
Image analysis
Medical imaging
Abstract: Επηρεάζοντας περίπου το 10% των γυναικών παγκοσμίως, ο καρκίνος του μαστού έχει αποδειχθεί ότι είναι ένας από τους πιο συγκλονιστικούς και συνηθισμένους καρκίνους στις γυναίκες σήμερα. Αν και υπάρχουν διαθέσιμες θεραπείες για αυτόν τον καρκίνο, το πραγματικό ζήτημα που αντιμετωπίζουμε είναι όταν δεν μπορούμε να εντοπίσουμε σωστά την ασθένεια στα αρχικά της στάδια, ένα πρόβλημα που αντιμετωπίζουν συνεχώς τόσο οι χώρες του πρώτου κόσμου όσο και οι χώρες του τρίτου κόσμου. Η βαθιά μάθηση, ενώ ευδοκιμεί στην υπολογιστική όραση, έχει αποδειχθεί ότι παίζει ζωτικό ρόλο στην πρόβλεψη τέτοιων ασθενειών. Μέθοδοι ταξινόμησης και εξαγωγής δεδομένων έχουν αποδειχθεί έως τώρα αξιόπιστες και αποτελεσματικές. Ωστόσο, πρόσφατες μελέτες έχουν δείξει, μέσω πολλαπλών πειραμάτων και δοκιμών, ότι οι τεχνικές βαθιάς μάθησης έχουν επιτύχει τα καλύτερα αποτελέσματα. Σε αυτή τη μελέτη, θα δούμε τη χρήση διαφορετικών βαθιών αρχιτεκτονικών συνελικτικών νευρικών δικτύων στην ιατρική απεικόνιση και θα τα συγκρίνουμε με ένα depth-wise συνελικτικό νευρωνικό δίκτυο σε πολλά σύνολα δεδομένων από εικόνες καρκίνου του μαστού. Οι συγκρίσεις απόδοσης γίνονται μεταξύ MobileNet, VGG16 και AlexNet σε υπερήχους μαστού και εικόνες ιστοπαθολογίας μαστού. Πρωταρχικός μας στόχος είναι να δείξουμε την αποτελεσματικότητα και την ακρίβεια τέτοιων συστημάτων στην ταξινόμηση διαφορετικών ειδών καρκίνου του μαστού. Το σύνολο δεδομένων υπερήχων περιέχει 250 εικόνες καλοήθων και κακοήθων περιπτώσεων, το δεύτερο σύνολο δεδομένων αποτελείται από 3268 εικόνες από μαστογραφίες με ιστοπαθολογία-Invasive Ductal Carcinoma (IDC) και το τρίτο αποτελείται από 10483 εικόνες επίσης με ιστοπαθολογία-IDC. Πειραματικά στοιχεία δείχνουν ότι τα προτεινόμενα μοντέλα βαθιάς μάθησης μπορούν να ταξινομήσουν αποτελεσματικά τους υπερήχους και τις ιστοπαθολογικές εικόνες. Η απόδοση του πιο αποτελεσματικού μοντέλου Convolutional Neural Network έφτασε το 96,82% ακρίβεια στους υπερήχους, το 88,23% στο δεύτερο σύνολο δεδομένων και το 91,04% στο τρίτο. Ως εκ τούτου, κατέληξα με βάση τα αποτελέσματά μου, ότι οι αρχές της βαθιάς μάθησης στη διάγνωση του καρκίνου του μαστού είναι πράγματι πολύ ελπιδοφόρες και ο κόσμος μπορεί να ωφεληθεί αναμφίβολα από την εφαρμογή τέτοιων συστημάτων. Συνεπώς, φτάνω στο συμπέρασμα, βάση αποτελεσμάτων, ότι οι τεχνικές βαθιάς μάθησης στη διάγνωση του καρκίνου του μαστού είναι πολλά υποσχόμενες.
Abstract (translated): Affecting roughly about 10% of women worldwide, Breast Cancer has been proven to be one of the most shocking and common cancers among women today. Although, there are available treatments for this cancer, the real issue we face is when we cannot properly detect the disease in its early stages, a problem which both first world and third world countries encounter constantly. Deep Learning while thriving at computer vision field has been shown to play a vital role in predicting such diseases. Methods of classifying and extracting data have so far proved to be reliable and effective. However, recent studies have shown, through multiple experiments and trials, that deep learning techniques have achieved the best results. In this study, we will be seeing the use of different depth-wise convolutional neural networks in medical imaging and compare them with a simple convolutional neural net on multiple datasets of breast cancer images. Performance comparisons are made between MobileNet, VGG16 and AlexNet on breast ultrasounds and breast histopathology images. Our primary goal is to demonstrate the efficiency and accuracy of such systems in classifying different kind of breast cancer images. The ultrasounds dataset is containing 250 images of benign and malignant cases, the second (3268 images) and third (10483 images) datasets contain images of breast histology with cases of Invasive Ductal Carcinoma (IDC) and cancer free tissue. Experimental evidence suggests that the proposed deep learning models may effectively classify ultrasounds and histopathology images. The performance of the most efficient Convolutional Neural Network model reached 96.82% accuracy on ultrasounds, 88.23% on the second dataset and 91.04% on the third. Therefore, we concluded based on our results, that deep-learning tenets in the diagnosis of breast cancer are indeed very promising and the world can benefit undoubtedly from the implementation of such systems.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Antonios Matzakos Chorianopoulos Thesis.pdfThesis2.44 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.