Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ταξινόμηση των πολυπόδων του παχέος εντέρου, που ανιχνεύθηκαν κατά τη διάρκεια μιας κολονοσκόπησης, ως αδενωματώδεις ή υπερπλαστικοί με τη χρήση αλγορίθμων ανάλυσης εικόνας και μηχανικής μάθησης

Patikos Ioannis

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/C9CE6416-42FA-494C-9B36-D469565EEEC9
Έτος 2020
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Ιωάννης Πατίκος, "Ταξινόμηση των πολυπόδων του παχέος εντέρου, που ανιχνεύθηκαν κατά τη διάρκεια μιας κολονοσκόπησης, ως αδενωματώδεις ή υπερπλαστικοί με τη χρήση αλγορίθμων ανάλυσης εικόνας και μηχανικής μάθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικ https://doi.org/10.26233/heallink.tuc.84395
Εμφανίζεται στις Συλλογές

Περίληψη

Σήμερα, ο καρκίνος του παχέος εντέρου αποτελεί μία από τις συχνότερες αιτίες θανάτου από καρκίνο παγκοσμίως. Έρευνες έχουν δείξει ότι ο συγκεκριμένος καρκίνος είναι άρρηκτα συνδεδεμένος με τους πολύποδες του παχέος εντέρου. Η συντριπτική πλειοψηφία των γαστρεντερικών καρκινωμάτων θεωρείται ότι προέρχεται από αδενωματώδεις πολύποδες και επομένως, η έγκαιρη ανίχνευσή τους μπορεί να εμποδίσει την περαιτέρω ανάπτυξη καρκίνου. Ως εκ τούτου, ερευνώνται και αναπτύσσονται νέες μέθοδοι που προσπαθούν να ενισχύσουν το ποσοστό επιτυχούς ανίχνευσης αδενώματος (ADR). Η χρήση τεχνικών τεχνητής νοημοσύνης (AI), όπως η βαθιά μάθηση, και ειδικά τα συνελικτικά νευρωνικά δίκτυα (CNNs), αρχίζουν να εμφανίζονται σαν βοηθήματα στη γαστρεντερική ενδοσκόπηση. Τα CNNs μπορούν να αποτελέσουν σημαντικότατο υποστηρικτικό ιατρικό εργαλείο αυτόματης ιατρικής διάγνωσης των καρκινικών όγκων και των πολυπόδων του παχέος εντέρου. Για το λόγο αυτό, τέσσερα διαφορετικά CNN μοντέλα εφαρμόστηκαν στην παρούσα εργασία. Τα τρία πρώτα ασχολούνται με το πρόβλημα της ανίχνευσης πολυπόδων, ενώ το τέταρτο ασχολείται με την ταξινόμηση των πολυπόδων σε αδενώματα και υπερπλαστικούς πολύποδες. Και στα δύο προβλήματα έχουμε δυαδική ταξινόμηση. Στην πρώτη περίπτωση, οι εικόνες ταξινομούνται σε κατηγορίες "Πολύποδας" και "Υγιές" και στη δεύτερη περίπτωση σε "Αδένωμα" και "Υπερπλαστικός". Ένας συνδυασμός διαφόρων τεχνικών βελτίωσης εφαρμόστηκε στα πρώτα τρία μοντέλα για να ελεγχθεί πώς επηρεάζουν την απόδοση των CNNs. Αυτές οι μέθοδοι είναι η Augmentation, η Dropout Regularization και η τεχνική Transfer Learning. Στο μοντέλο CNN για την κατηγοριοποίηση των πολυπόδων σε αδενώματα και υπερπλαστικούς πολύποδες τα δεδομένα αφορούσαν τις τιμές των χαρακτηριστικών υφής GLCM των εικόνων. Τα δεδομένα που χρησιμοποιήθηκαν στην εργασία συλλέχθηκαν αναδρομικά από το προσωπικό αρχείο του ιατρού Κωνσταντίνου Πατίκου. Από 750 ασθενείς συνολικά συγκεντρώθηκαν 1576 εικόνες; 798 περιέχουν πολύποδες και 778 απεικονίζουν υγιές έντερο. Οι 798 εικόνες πολυπόδων χωρίζονται σε δύο κατηγορίες; 424 εικόνες με αδενοματώδεις πολύποδες και 374 με υπερπλαστικούς. Όλα τα δεδομένα προέρχονται από κοινό ενδοσκόπιο. Τα δεδομένα δεν είναι ιδιαίτερα ομοιόμορφα, καθώς οι εικόνες διαφέρουν σε μεγέθυνση, εστίαση ή χρωματισμό. Τα σύνολα δεδομένων εκπαίδευσης και επαλήθευσης για το πρόβλημα εντοπισμού πολυπόδων περιέχουν 1470 και 106 εικόνες αντίστοιχα. Τα σύνολα δεδομένων εκπαίδευσης και επαλήθευσης για το πρόβλημα ταξινόμησης των πολυπόδων αποτελούνται από 170 και 34 εικόνες αντίστοιχα. Η αποτελεσματικότητα των προτεινόμενων μοντέλων αξιολογήθηκε μετρώντας την ακρίβεια, την ευαισθησία και την ειδικότητα. Το πιο αποτελεσματικό σενάριο που ασχολήθηκε με το πρόβλημα του εντοπισμού πολυπόδων σημείωσε 92,2% accuracy, 94,4% sensitivity, 90,6% specificity, 90,9% precision, 9,4% FPR και 5,6% FNR σε δεδομένα που δεν είχε ξαναδεί. Το μόνο σενάριο που αντιμετώπισε το πρόβλημα ταξινόμησης πολυπόδων επέτυχε 85% accuracy, 88,8% sensitivity, 81,3% specificity, 84,2% specificity, 18,7% FPR και 11,1% FNR.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά