Ανάλυση Ιατρικών Εικόνων Υπερήχου Θυρεοειδούς με Χρήση Τεχνικών Βαθιάς Μάθησης

Thyroid ultrasound medical image analysis using deep learning methods (Αγγλική)

  1. MSc thesis
  2. Χρονάκη, Γεωργία
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 24 Σεπτεμβρίου 2022 [2022-09-24]
  5. Ελληνικά
  6. 119
  7. Καναβός, Ανδρέας
  8. Μαραγκουδάκης, Εμμανουήλ | Βερύκιος, Βασίλειος
  9. Βαθιά Μάθηση | Συνελικτικά Νευρωνικά Δίκτυα | Τμηματοποίηση | Κατηγοριοποίηση
  10. 4
  11. 2
  12. 35
  13. Περιέχει : πίνακες και εικόνες
    • Οι όζοι του θυρεοειδούς είναι μια πολύ συχνή πάθηση κυρίως στον ενήλικο πληθυσμό. Παρόλο που στην πλειοψηφία τους οι όζοι είναι καλοήθης, τα τελευταία χρόνια έχει παρατηρηθεί αύξηση του καρκίνου του θυρεοειδούς. Το υπερηχογράφημα είναι μία αξιόπιστη, φθηνή και ακίνδυνη για τον ασθενή μέθοδος εντοπισμού των όζων. Η ανάγνωση και η ερμηνεία του, επιτυγχάνεται με τον εντοπισμό ανατομικών και παθολογικών χαρακτηριστικών και εξαρτάται από τις γνώσεις και την εμπειρία του ιατρικού προσωπικού. Το έργο της ανάγνωσης του υπερηχογραφήματος γίνεται δύσκολο λόγω της φύσης των εικόνων των υπερήχων (θολότητα, κηλίδες, χαμηλό contrast, ασαφή όρια). Είναι λοιπόν πολύ σημαντικό να αναπτυχθούν συστήματα διάγνωσης με τη βοήθεια υπολογιστή που θα μπορούν να αναγνώσουν και να περιγράψουν αντικειμενικά και ποσοτικά τους όζους προσφέροντας στους γιατρούς μία χείρα βοηθείας για μία σωστή και ακριβή διάγνωση. Στην παρούσα εργασία γίνεται χρήση τεχνικών βαθιάς και μηχανικής μάθησης σε εικόνες υπερήχου για την ακριβή τμηματοποίηση (οριοθέτηση) και ταξινόμηση των όζων του θυρεοειδούς. Η εργασία αποτελείται από τρία βασικά μέρη: Το πρώτο μέρος, περιλαμβάνει το απαραίτητο θεωρητικό υπόβαθρο των Τεχνητών Νευρωνικών Δικτύων και της εκπαίδευσης τους, της Βαθιάς Μάθησης και των Συνελικτικών Νευρωνικών Δικτύων. Στο δεύτερο μέρος, γίνεται χρήση Συνελικτικών Νευρωνικών Δικτύων βασισμένα στην αρχιτεκτονική U-Net για την τμηματοποίηση όζων του θυρεοειδούς από εικόνες υπερήχου. Το σύνολο δεδομένων TDID (Thyroid Digital Image Database) που χρησιμοποιήσαμε δημιουργήθηκε στο Εθνικό Πανεπιστήμιο της Κολομβίας (Universidad Nacional de Colombia). Στο τελευταίο μέρος,αναπτύξαμε και εκπαιδεύσαμε διάφορα μοντέλα βαθιών συνελικτικών δικτύων για την κατηγοριοποίηση εικόνων υπερήχου όζων του θυρεοειδούς, σε δύο κλάσεις, καλοήθεις και κακοήθεις (στο σύνολο δεδομένων TDID). Χρησιμοποιήσαμε την τεχνική της μεταφερόμενης γνώσης (Transfer learning) από διαφορετικές αρχιτεκτονικές συνελικτικών δικτύων με σκοπό να συγκρίνουμε την απόδοση τους.
    • Thyroid nodules are a very common disease, mainly in the adult population. Although the majority of nodules are benign, in recent years there has been an increase in thyroid cancer. Ultrasound is a reliable, cheap and patient-safe medical method of identifying nodules. Its analysis and interpretation is achieved by identifying anatomical and pathological features and depends on the knowledge and experience of the doctor. Theanalysisof ultrasound imageis a difficult task due to the nature of the ultrasound images (blurring, speckle noise, low contrast, unclearboundaries). It is therefore very important to develop computer-aided diagnostic systems that can objectively and quantitatively read and describe the nodules, offering doctors a helping hand for a correct and accurate diagnosis. In this work, deep and machine learning techniques are used on ultrasound images for the accurate segmentation and classification of thyroid nodules. The work consists of three main parts: The first part includes the necessary theoretical background of Artificial Neural Networks and their training, Deep Learning and Convolutional Neural Networks. In the second part, Convolutional Neural Networks based on the U-Net architecture are used to segment thyroid nodules from ultrasound images. The Thyroid Digital Image Database (TDID) we used was created at the National University of Colombia (Universidad Nacional de Colombia). In the last part, we developed and trained several deep convolutional neural network models to classify ultrasound images of thyroid nodules into two classes, benign and malignant (on the TDID dataset). We used the transfer learning technique from different convolutional network architectures in order to compare their performance.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.