Η συνεχώς αυξανόμενη παραγωγή δεδομένων ιατρικής απεικόνισης καθιστά αναγκαία την αποτελεσματική αξιοποίηση των μεταδεδομένων DICOM για την κατανόηση και βελτίωση των κλινικών ροών. Τα μεταδεδομένα που συνοδεύουν κάθε ιατρική εξέταση, όπως στοιχεία πρωτοκόλλου, παράμετροι λήψης, χρονικές σφραγίδες και χαρακτηριστικά του εξοπλισμού, αποτελούν μια ανεξερεύνητη αλλά εξαιρετικά πολύτιμη πηγή πληροφορίας. Σκοπός της παρούσας εργασίας είναι η ανάπτυξη μιας ολοκληρωμένης μεθοδολογίας για την ανάλυση και οπτικοποίηση των μεταδεδομένων DICOM, με στόχο τη βελτιστοποίηση των κλινικών ροών μέσω τεχνικών τεχνητής νοημοσύνης.

Στο πλαίσιο της μελέτης πραγματοποιήθηκε συλλογή και προεπεξεργασία μεταδεδομένων από πραγματικό περιβάλλον διαγνωστικών κέντρων.

Αναπτύχθηκαν μοντέλα μηχανικής μάθησης για την εξαγωγή προτύπων χρήσης, τον εντοπισμό αποκλίσεων σε πρωτόκολλα και την πρόβλεψη κρίσιμων δεικτών απόδοσης, όπως ο χρόνος εξέτασης και ο συνολικός χρόνος διεκπεραίωσης. Επιπλέον, σχεδιάστηκαν διαδραστικές οπτικοποιήσεις που επιτρέπουν την αποτύπωση της πορείας μιας εξέτασης από την παραγγελία έως την ολοκλήρωση, αναδεικνύοντας πιθανά σημεία συμφόρησης και ευκαιρίες για λειτουργική βελτίωση.

Τα αποτελέσματα δείχνουν ότι η αξιοποίηση των μεταδεδομένων DICOM, σε συνδυασμό με τεχνικές τεχνητής νοημοσύνης, μπορεί να συμβάλει ουσιαστικά στη βελτιστοποίηση των κλινικών διαδικασιών, στη μείωση του χρόνου αναμονής και στη βελτίωση της συνολικής ποιότητας εξυπηρέτησης. Η εργασία αυτή αναδεικνύει τον ρόλο των μεταδεδομένων ως στρατηγικό εργαλείο για data-driven λήψη αποφάσεων στην απεικονιστική ιατρική και ανοίγει τον δρόμο για προηγμένες εφαρμογές προγνωστικής ανάλυσης και αυτοματοποιημένης διαχείρισης ροών.

The exponential growth of medical imaging data highlights the need for effective utilization of DICOM metadata to better understand and optimize clinical workflows. The metadata accompanying each imaging study—such as protocol parameters, acquisition settings, timestamps, and equipment characteristics—represent a rich yet underexploited source of operational information. This thesis aims to develop a comprehensive methodology for the analysis and visualization of DICOM metadata, leveraging artificial intelligence techniques to support the optimization of clinical workflows.

Metadata were collected and preprocessed from real-world diagnostic imaging environments, and machine learning models were implemented to identify usage patterns, detect protocol deviations, and predict key performance indicators such as examination duration and total workflow turnaround time. Additionally, interactive visualizations were designed to represent the full lifecycle of an examination—from order creation to completion—revealing bottlenecks and opportunities for process improvement.

The results demonstrate that the integration of DICOM metadata analytics with artificial intelligence can significantly enhance the efficiency of clinical workflows, reduce waiting times, and improve overall service quality. This work highlights the strategic value of DICOM metadata as a foundation for data-driven decision-making in medical imaging and opens pathways for advanced predictive analytics and automated workflow management.