Η εφαρμογή βαθιών νευρωνικών δικτύων στην ιατρική απεικόνιση αποτελεί ένα διαρκώς αναπτυσσόμενο τομέα τα τελευταία χρόνια που υποβοηθά την αυτοματοποιημένη διάγνωση ασθενειών. Με αυτό τον τρόπο επιταχύνεται η διαδικασία λήψης απόφασης για θεραπευτική αγωγή σε ιατρικές δομές οι οποίες έχουν υψηλό φόρτο περιστατικών, κάποια από τα οποία έχουν το χαρακτήρα του επείγοντος.

Η παρούσα πτυχιακή εργασία εντάσσεται σε αυτόν τον τομέα και συγκεκριμένα διερευνά την εφαρμογή βαθιών συνελικτικών νευρωνικών δικτύων σε εικόνες αξονικού τομογράφου για την κατηγοριοποίηση πνευμονικών όζων. Στηρίζεται για το σκοπό αυτό σε μεθόδους και εργαλεία από τα πεδία της επεξεργασίας εικόνας, της μηχανικής και βαθιάς μάθησης και της ιατρικής απεικόνισης.

Στο πλαίσιο αυτό, αναπτύχθηκαν νευρωνικά δίκτυα που εκπαιδεύτηκαν πάνω σε κατάλληλα επιλεγμένο σύνολο δεδομένων. Ενσωματώνουν ή είναι παραλλαγές διαφόρων γνωστών αρχιτεκτονικών συνελικτικών δικτύων. Η ανάπτυξή τους βασίστηκε πάνω στο πακέτο λογισμικού Keras και τη γλώσσα Python.

Τα δεδομένα αφού πέρασαν ένα στάδιο προεπεξεργασίας, τροφοδοτήθηκαν στα δίκτυα  τα οποία κατόπιν αξιολογήθηκαν ως προς την αποτελεσματικότητά τους βάση μετρικών όπως η ορθότητα, η ακρίβεια, η ανάκληση και το μέτρο F1. Η ανάλυση των αποτελεσμάτων κατέδειξε την ισχυρή επίδραση της αρχιτεκτονικής του νευρωνικού δικτύου, του τρόπου προεπεξεργασίας και του εύρους του συνόλου δεδομένων, στην απόδοσή του όσον αφορά στην κατηγοριοποίηση των δεδομένων.

Έτσι ως σύνολο, η παρούσα εργασία συνεισφέρει στην κατανόηση του τρόπου ανάπτυξης και εφαρμογής βαθιών δικτύων σε ιατρικά σύνολα δεδομένων και ενισχύει τις προσπάθειες για τη δημιουργία συστημάτων αυτοματοποιημένης ιατρικής διάγνωσης.

The application of deep neural networks to medical imaging represents an ever-growing field in recent years that facilitates automated disease diagnosis. In this way the treatment decision making process is significantly accelerated something that has a great impact in the function of medical structures with a high caseload and the treatment outcome of patients in need for urgent care.

The current study aims to explore the application of deep convolutional neural networks in the categorization of pulmonary nodules recognised in computed tomography images. To this regard it is based on methods and tools from the fields of image processing, machine and deep learning and medical imaging.

In this context, neural networks trained on appropriately selected data set were developed. These neural networks incorporate or are variations of various known convolutional network architectures. Their development was based on Keras software and Python programming language. After been processed, the data were incorporated in the neural networks which were then evaluated for their effectiveness based on metrics such as the accuracy, the precision, recall and F1 measure. Result analysis demonstrated the strong influence of neural networks architecture, preprocessing mode, and data set, in its performance regarding pulmonary nodule categorization.

Thus, as a whole, the current study contributes to the understanding of deep neural networks development and application to medical datasets thus enhancing and facilitating the creation of automated diagnostical medical systems.