Τεχνικές Βαθιάς και Μηχανικής Μάθησης καθώς και Νευρωνικών Δικτύων για την Πρόβλεψη Κακοηθειών Εγκεφάλου και Στήθους

Machine and Deep Learning along with Neural Networks for Brain and Breast Malignancies Prediction (english)

  1. MSc thesis
  2. Μπουχάγιαρ, Κωνσταντίνος-Λαυρέντιος
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 20 September 2020 [2020-09-20]
  5. Ελληνικά
  6. 150
  7. Καναβός, Ανδρέας
  8. Σακκόπουλος, Ευάγγελος | Βερύκιος, Βασίλειος
  9. Νευρωνικά Δίκτυα | Neural networks | Μηχανική Μάθηση | Machine Learning | Βαθιά Μάθηση | Deep Learning | Εξόρυξη Δεδομένων | Data Mining | Καρκίνος εγκεφάλου | Brain Cancer | Καρκίνος Στήθους | Breast Cancer
  10. 1
  11. 5
  12. 46
  13. Περιέχει : 20 πίνακες,3 γραφήματα και 36 εικόνες.
  14. Τεχνητή Νοημοσύνη και Έμπειρα Συστήματα/Ε. Κεραυνού
    • Ο καρκίνος ή νεοπλασία είναι μια ασθένεια που δημιουργεί μεγάλο ψυχολογικό φόρτο στον ασθενή και στο πλησίον περιβάλλον του και αποτελεί τη δεύτερη πιο συχνή αιτία θανάτου μετά τις καρδιοπάθειες. Με τον όρο «καρκίνος» δεν αναφερόμαστε σε μία συγκεκριμένη ασθένεια αλλά σε μία ομάδα ασθενειών που χαρακτηρίζονται από τον ανεξέλεγκτο πολλαπλασιασμό των κυττάρων. Για την ορθή διάγνωση και θεραπεία του διεξάγονται χιλιάδες μελέτες ανά τον κόσμο με πολύ πενιχρά κατά κύριο λόγο αποτελέσματα. Το πρόβλημα είναι ότι κάθε μορφή της ασθένειας έχει διαφορετικά χαρακτηριστικά, διαφορετική εξέλιξη, θεωρείται διαφορετική ασθένεια από τις άλλες μορφές και χρήζει διαφορετικής θεραπείας. Η κύρια μέθοδος για τη διάγνωση των συμπαγών όγκων (όχι αυτών του αίματος) είναι η ιατρική απεικόνιση. Κατά την ερμηνεία, όμως, των εικόνων αυτών παρουσιάζεται συχνά το φαινόμενο της αστοχίας της διάγνωσης: είτε αναφέρονται ως καρκίνοι όγκοι που δεν υπάρχουν στις εικόνες (ψευδώς θετικά ευρήματα) είτε δεν παρατηρούνται όγκοι που υπάρχουν (ψευδώς αρνητικά ευρήματα). Και στις δύο περιπτώσεις υπάρχουν δυσμενή αποτελέσματα: στην πρώτη περίπτωση δημιουργείται, αναίτια, μεγάλος ψυχικός φόρτος ενώ στη δεύτερη χάνεται πολύτιμος χρόνος όσον αφορά στην αναγνώριση του τύπου και την έναρξη της καταπολέμησης της νόσου. Για το λόγο αυτό ένα τμήμα των ερευνών στρέφεται προς την κατεύθυνση της ορθής εξαγωγής συμπερασμάτων από τις απεικονίσεις της πάσχουσας περιοχής. H εργασία αυτή έχει σκοπό να μελετήσει τη δυνατότητα πρόγνωσης/διάγνωσης κακοηθειών εγκεφάλου και στήθους κατά την ανάγνωση ιατρικών εικόνων με τη χρήση νευρωνικών δικτύων. Συγκεκριμένα χρησιμοποιούνται δύο μοντέλα δικτύων (βασισμένα στο μοντέλο VGG και σε αυτό του ResNet) και εξετάζονται διάφοροι εναλλακτικοί συνδυασμοί παραμέτρων και ρυθμίσεων με σκοπό να επιτευχθεί ένα όσον το δυνατόν καλύτερο αποτέλεσμα στην ακρίβεια αναγνώρισης των καρκινικών κυττάρων στις εικόνες που χρησιμοποιήθηκαν. Χρησιμοποιούνται δύο βάσεις δεδομένων ιατρικών εικόνων, μία για τον καρκίνο του στήθους και μία για αυτόν του εγκεφάλου. Στη βάση των δεδομένων του εγκεφάλου γίνεται μια τροποποίηση (οι εικόνες χωρίζονται σε μικρότερες) ώστε να αυξήσουμε το πλήθος των παραδειγμάτων πριν από τη χρήση της τεχνικής επαύξησης δεδομένων. Με τον τρόπο αυτό δημιουργείται και μία τρίτη βάση που χρησιμοποιείται με τον ίδιο τρόπο με τις άλλες δύο. Μετά από τη θεωρητική ανάλυση του θέματος, κατασκευάζονται τα δύο προαναφερθέντα μοντέλα και αναπτύσσεται κώδικας που τροποποιεί και προετοιμάζει τις βάσεις δεδομένων των εικόνων, για χρήση σ’ αυτά. Στο τέλος χρησιμοποιούνται διάφοροι συνδυασμοί παραμέτρων σε μια προσπάθεια βελτίωσης των αποτελεσμάτων της εξόδου των μοντέλων. Σαν τελικό αποτέλεσμα επιτυγχάνεται πιστότητα μεγαλύτερη από 93% σε κάθε περίπτωση. Συγκεκριμένα 93% για τη ΒΔ του καρκίνου του στήθους, 95.5% για αυτήν του εγκεφάλου και 93.3% για την τροποποιημένη βάση.
    • Cancer or neoplasm is a disease which generates great psychological harassment to the patient and to his family environment. It is the second cause of death after heart diseases. The term “cancer” is not addressed to a specific disease but to a group of diseases with the common characteristic of uncontrollable cell multiplication. Thousands of researchers are dealing with the task to diagnose and cure cancer but the results so far can be described as meager. The problem is that each type of cancer has different characteristics, different progress, is considered different disease from the other types and needs different treatment. The main method to diagnose solid tumors (not those of the blood) is medical imaging. However, during the interpretation of these images, the phenomenon of misdiagnosis occurs frequently: either nonexistent tumors are diagnosed (false positive results) or existent ones cannot be found (false negative results). In either case, unfavourable outcomes arise: in the first case unjustifiable psychological harassment occurs, in the second precious time is lost from recognizing the tumor and starting treatment. That is the reason that a portion of the studies are turning to achieve more precise diagnostic methods from medical images. The purpose of this study is to examine the capability of predict/diagnose breast and brain malignancies on medical images, using deep neural networks. To be more accurate, two neural models are used (based on the VGG and ResNet models) and different combinations of parameters and settings are examined so to achieve a result as higher as it can be, in terms of recognizing cancerous cells (tumors) on the medical images that were used. Two medical image datasets are used, one for breast cancer and the other for brain cancer. A modification to the latter is taking place in order to increase the number of images before using the data augmentation technique. In this way a third database is created and used in the same way as the other two. After presenting a theoretical analysis of this subject, the two models are built and a set of python files is developed to be used to modify and prepare the databases for the two models. Finally, different parameters combinations are used in an effort to achieve better outcomes from the neural networks. The final outcome is an accuracy greater than 93% on all occasions. To be precise 93% for breast cancer, 95.5% for brain cancer and 93.9% for the modified brain database.
  16. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.