Ο όγκος του εγκεφάλου αποτελεί έναν από τους πιο θανατηφόρους καρκίνους. Θεωρείται ως η κύρια αιτία θνησιμότητας από καρκίνο σε όλο τον κόσμο τόσο στα παιδιά όσο και στους ενήλικες . Η αύξηση των ασθενών και του όγκου των δεδομένων που πρέπει να αναλύονται καθημερινά καθιστούν την διαδικασία αναγνώρισης των παθολογικών τύπων των όγκων χρονοβόρα, ενώ η επιτυχια της κατηγοριοποίησης βασίζεται στις δεξιότητες και την εμπειρία του ακτινολόγου και μπορεί να οδηγήσει σε ανθρώπινα λάθη. Το γεγονός ότι η ιατρική απεικόνιση είναι μη επεμβατική μέθοδος, εχει ως αποτέλεσμα την ευρεία χρήση της από την Ιατρική κοινότητα. Η εξέταση του εγκεφάλου μέσω εικόνων μαγνητικής τομογραφίας (MRI) αποτελεί μια αποτελεσματική τεχνική για την διάκριση των όγκων. Η σωστη διάγνωση του τύπου του όγκου σε πρώιμα στάδια θα καθορίσει την επιλογή ενός ακριβούς σχεδίου θεραπείας. Προκειμένου να ξεπεραστούν τα μειονεκτήματα της κλασσικής διάγνωσης, υπάρχει ένα κύμα ενδιαφέροντος για το σχεδιασμό αυτοματοποιημένων συστημάτων διάγνωσης. Στην παρούσα εργασία θα εφαρμοστούν τεχνικές βαθιάς μάθησης σε εικόνες Μαγνητικής τομογραφίας για την κατηγοριοποίηση όγκων. Η χρήση των Βαθών Συνελικτικών Νευρωνικών Δικτύων(Convolutional Neural Netwotks-CNN) για την ανάλυση των ιατρικών εικόνων ενδείκνυται λόγω της ιδιότητας τους να εκμεταλλεύονται την υψηλή συσχέτιση των δεδομένων εισόδου. Η DL επιτρέπει την εκμετάλλευση για την ταξινόμηση όγκων στον εγκέφαλο, προπαιδευμένων μοντέλων Νευρονικών Δικτυών που αναπτύχθηκαν για άλλες εφαρμογές όπως το AlexNet , GoogLeNet , ResNet-34 . Οι μέθοδοι κλασσικής μηχανικής μάθησης βασίζονται σε διακριτά βήματα όπως την προεπεξεργασία, τη μείωση των διαστάσεων, την εξαγωγή χαρακτηριστικών, τη επιλογή χαρακτηριστικών κτλ. Η εξαγωγή χαρακτηριστικών αποτελεί την κρίσιμη φάση σε ένα αποτελεσματικό σε σύστημα μηχανικής μάθησης και απαιτεί γνώση για τον τομέα του προβλήματος δεδομένου ότι η ακρίβεια ταξινόμησης βασίζεται στα καλά χαρακτηριστικά που εξάγονται από τις εικόνες . Οι τεχνικές DL δεν απαιτούν την ανθρώπινη παρέμβαση για την επιλογή χαρακτηριστικών. Στην παρούσα εργασία θα εξεταστεί η απόδοση κάποιων γνωστών Νευρονικών Δικτύων στην κατηγοριοποίηση όγκων εγκεφάλου. Η ταξινόμηση γίνεται μεταξύ τριών τύπων όγκων οι οποίες περιλαμβάνουν glioma_tumor, meningioma_tumor, pituitary_tumor και μιας ομάδας χωρίς όγκο(no_tumor). Τα Δίκτυα που χρησιμοποιήθηκαν έχουν αρχιτεκτoνική βασισμένη στο δημοφιλές δίκτυο efficientnet. Έγιναν 5 δοκιμές στο ίδιο δίκτυο με 5 διαφορετικές αρχικοποιήσεις. Η μέγιστη τιμή απόδοσης που επιτεύχθηκε ηταν 96% ενώ η μεγαλύτερη τιμή ακρίβειας των κλασσικών ταξινομητών που χρησιμοποιήθηκαν για σύγκριση ηταν 86%
Brain tumor is one of the most deadly cancers. It is considered the leading cause of cancer mortality worldwide in both children and adults. The increase in the number of patients and the volume of data to be analyzed daily make the process of identifying pathological types of tumors time-consuming, and the success of classification relies on the skills and experience of the radiologist and can lead to human error. Identifying the correct type and grade of tumor in the early stages has an important role in the selection of an accurate treatment plan. Examination of the brain through Magnetic Resonance Imaging (MRI) images is an effective technique for distinguishing tumors. the fact that medical imaging is a non-invasive method results in its widespread use by the medical community. In order to overcome the disadvantages of classical diagnosis, there is a surge of interest in the design of automated diagnostic systems. In the present work, deep learning techniques will be applied to MRI images to categorize tumors. The use of Deep Convolutional Neural Networks (Convolutional Neural Networks-CNN) for the analysis of medical images is appropriate due to their ability to exploit the high correlation of the input data. DL allows exploiting pre-trained Neural Network models, developed for other applications such as AlexNet , GoogLeNet , ResNet-34, for brain tumor classification. Classic machine learning methods are based on discrete steps such as preprocessing, dimensionality reduction, feature extraction, feature selection etc. Feature extraction is the critical phase in an efficient machine learning system and requires knowledge about the problem domain since classification accuracy is based on the good features extracted from the images .DL techniques do not require human intervention for feature selection. In this paper, the performance of some known neural networks in brain tumor classification will be investigated. The classification is done among three types of tumors which include glioma_tumor, meningioma_tumor, pituitary_tumor and a group without tumor (no_tumor). The Networks used have architecture based on the popular efficientnet network. Five tests were performed on the same network with 5 different initializations. The maximum performance value achieved was 96% while the maximum accuracy value of classical Machine Learning classifiers used for comparison was 86% .
ΕΦΑΡΜΟΓΕΣ ΒΑΘΙΑΣ ΜΑΘΗΣΗΣ ΣΤΗΝ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΑΝΑΛΥΣΗ ΑΠΕΙΚΟΝΙΣΤΙΚΩΝ ΤΕΧΝΙΚΩΝ