Η έγκαιρη και η έγκυρη διάγνωση μιας νόσου σε αρχικό στάδιο, συμβάλλει σημαντικά στην αποτελεσματική ίαση της και στη μείωση του ποσοστού θνησιμότητας. Στόχος λοιπόν της υλοποίησης συστήματος κατηγοριοποίησης ιατρικών εικόνων με χρήση τεχνικών βαθιάς μάθησης (Deep Learning), είναι να έχουμε το αποτέλεσμα όσο το δυνατόν πιο άμεσα, και το αποτέλεσμα αυτό να είναι ταυτόχρονα, και έγκυρο. Λαμβάνοντας υπόψη αυτές τις δύο σημαντικές παραμέτρους, και με τη χρήση τεχνολογίας βαθιάς μάθησης (Deep Learning), εκπαιδεύουμε ένα μοντέλο/αλγόριθμο το οποίο θα τη δυνατότητα αναγνώρισης όγκων του εγκεφάλου. Για να επιτύχουμε την καλύτερη δυνατή εκπαίδευση του αλγορίθμου, εισάγουμε ένα μεγάλο σύνολο δεδομένων (dataset), το οποίο αποτελείται από ιατρικές εικόνες σε μορφή μαγνητικής τομογραφίας (MRI - Magnetic Resonance Imaging) και χρησιμοποιείται για την εκπαίδευση του. Το αποτέλεσμα της ορθής εκπαίδευσης του αλγορίθμου, δίνει τη δυνατότητα της έγκαιρης διάγνωσης, λόγω του ότι το αποτέλεσμα της διάγνωσης παράγεται άμεσα με την εισαγωγή των ιατρικών εικόνων στο σύστημα^*, αλλά και της έγκυρης διάγνωσης με ακρίβεια (μετά τη λεπτομερή ρύθμιση του αλγορίθμου), αφού το αποτέλεσμα παράγεται με βάση τις δοκιμές που έχουν γίνει στο εκπαιδευμένο μοντέλο, του οποίου στόχος είναι να έχει ακρίβεια πάνω από 90%. Για την καλύτερη δυνατή εκπαίδευση του μοντέλου, επιλέξαμε τη U-Net αρχιτεκτονική, η οποία αποτελεί ένα CNN (Convolutional Neural Network) που αναπτύχθηκε για την κατηγοριοποίηση βιοϊατρικών εικόνων. Το σύστημα διεπαφής χρήστη, είναι μια διαδικτυακή εφαρμογή στην οποία θα φορτώνονται οι ιατρικές εικόνες, και στη συνέχεια βάσει του αλγορίθμου που εκπαιδεύσαμε θα παράγεται το αποτέλεσμα, βάσει της κατηγοριοποίησης που χρησιμοποιήθηκε κατά την εκπαίδευση του αλγορίθμου, οι οποίες θα περιγραφούν παρακάτω στην παρούσα διπλωματική.

Early and accurate diagnosis of a disease at an early stage contributes significantly to its effective cure and reducing the mortality rate. Therefore, the goal of implementing a medical image categorization system using deep learning techniques is to obtain the result as directly as possible, and this result should be valid at the same time. Taking into account these two important parameters and using deep learning technology, we train a model/algorithm that will be able to identify brain tumors. In order to achieve the best possible training of the algorithm, we introduce a large dataset consisting of medical images in the form of Magnetic Resonance Imaging (MRI), which is used for its training. The result of the appropriate training of the algorithm gives the opportunity of timely diagnosis, since the diagnostic result is obtained immediately after the medical images are introduced into the system, and also valid diagnosis with accuracy (after the fine tuning of the algorithm), since the result is produced based on tests performed to the trained model, which aims to have an accuracy of more than 90%. To effectively train this model, we are using the U-Net architecture, which is a CNN developed for Biomedical Image Segmentation. The user interface system is a web application in which the medical images are loaded and then, based on the algorithm we have trained, the result is generated according to the categorization used in training the algorithm, which will be described later in this thesis.