{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2784548"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2784548","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Artificial Neural Networks in Single Photon Emission Tomography (SPECT)","abstract":"Οι πρόσφατες εξελίξεις στην Τεχνητή Νοημοσύνη (AI) και τη Μηχανική Εκμάθηση (ML) έχουν επηρεάσει τον τομέα της Ιατρικής Φυσικής και τείνουν να θέσουν νέους ορίζοντες στην Ανακατασκευή Εικόνας στην Ιατρική. Σύγχρονες εφαρμογές της Τομογραφίας, όπως το SPECT, κάνουν χρήση καινοτόμου λογισμικού δεδομένων των περιορισμών στην τεχνολογία και χρήση υλικού εξοπλισμού σήμερα. Η εν λόγω μελέτη επικεντρώνεται στην Ανακατασκευή Τομογραφικής Εικόνας εκμεταλλευόμενη συμμετρίες του μετασχηματισμού Radon, καθώς και νέες εφαρμογές βασισμένες σε Τεχνητά Νευρωνικά Δίκτυα (ANNs). Έχοντας κατά νου πως ο μαθηματικός μετασχηματισμός του Τομογραφικού Προβλήματος πρέπει να διατηρηθεί, προστατεύοντας αυστηρά το ρόλο του κάθε στοιχείου που συμμετέχει στο δίκτυο, πρέπει να πληρούνται οι ακόλουθες προϋποθέσεις: Τα δεδομένα εισόδου πρέπει πάντα να χαρακτηρίζονται από το σινόγραμμα της εικόνας ενώ η έξοδος πρέπει να περιέχει πληροφορίες που αφορούν την ανακατασκευή της εικόνας. Αντί της συμβατικής τεχνικής του σινογράμματος, είναι απαραίτητη μια εναλλακτική προσέγγιση. Μια διαφοροποιημένη μορφή του γνωστού σινογράμματος χωρίς εξαρτήσεις από τα χαρακτηριστικά των εικόνων θα μπορούσε οδηγήσει σε ανακατασκευασμένες εικόνες υψηλής διαγνωστικής ισχύος και χαμηλού υπολογιστικού κόστους. Η αποτελεσματικότητα αυτού του παραλλαγμένου σινογράμματος δοκιμάζεται ως είσοδος διάφορων αρχιτεκτονικών για την πρόβλεψη των τιμών των εικονοστοιχείων (pixels) που συνθέτουν την πλήρη εικόνα. Επιπλεόν, το προτεινόμενο πρωτότυπο συνδυάζεται με ευρέως γνωστούς και καθιερωμένους αλγόριθμους, όπως η τεχνική Ανακατασκευής με αλγεβρικές μεθόδους(ART), που οδηγεί σε ακριβή αποτελέσματα με χαμηλές τιμές χ2, ακόμη και με περιορισμένο αριθμό δεδομένων. Τα αποτελέσματα αυτής της πρωτότυπης μελέτης θα μπορούσαν να εξυπηρετήσουν περαιτέρω έρευνα με συμμετοχή των ANNs για την ανακατασκευή ιατρικών εικόνων με υψηλή κλινική αξία.","abstract_html":"Οι πρόσφατες εξελίξεις στην Τεχνητή Νοημοσύνη (AI) και τη Μηχανική Εκμάθηση (ML) έχουν επηρεάσει τον τομέα της Ιατρικής Φυσικής και τείνουν να θέσουν νέους ορίζοντες στην Ανακατασκευή Εικόνας στην Ιατρική. Σύγχρονες εφαρμογές της Τομογραφίας, όπως το SPECT, κάνουν χρήση καινοτόμου λογισμικού δεδομένων των περιορισμών στην τεχνολογία και χρήση υλικού εξοπλισμού σήμερα. Η εν λόγω μελέτη επικεντρώνεται στην Ανακατασκευή Τομογραφικής Εικόνας εκμεταλλευόμενη συμμετρίες του μετασχηματισμού Radon, καθώς και νέες εφαρμογές βασισμένες σε Τεχνητά Νευρωνικά Δίκτυα (ANNs). Έχοντας κατά νου πως ο μαθηματικός μετασχηματισμός του Τομογραφικού Προβλήματος πρέπει να διατηρηθεί, προστατεύοντας αυστηρά το ρόλο του κάθε στοιχείου που συμμετέχει στο δίκτυο, πρέπει να πληρούνται οι ακόλουθες προϋποθέσεις: Τα δεδομένα εισόδου πρέπει πάντα να χαρακτηρίζονται από το σινόγραμμα της εικόνας ενώ η έξοδος πρέπει να περιέχει πληροφορίες που αφορούν την ανακατασκευή της εικόνας. Αντί της συμβατικής τεχνικής του σινογράμματος, είναι απαραίτητη μια εναλλακτική προσέγγιση. Μια διαφοροποιημένη μορφή του γνωστού σινογράμματος χωρίς εξαρτήσεις από τα χαρακτηριστικά των εικόνων θα μπορούσε οδηγήσει σε ανακατασκευασμένες εικόνες υψηλής διαγνωστικής ισχύος και χαμηλού υπολογιστικού κόστους. Η αποτελεσματικότητα αυτού του παραλλαγμένου σινογράμματος δοκιμάζεται ως είσοδος διάφορων αρχιτεκτονικών για την πρόβλεψη των τιμών των εικονοστοιχείων (pixels) που συνθέτουν την πλήρη εικόνα. Επιπλεόν, το προτεινόμενο πρωτότυπο συνδυάζεται με ευρέως γνωστούς και καθιερωμένους αλγόριθμους, όπως η τεχνική Ανακατασκευής με αλγεβρικές μεθόδους(ART), που οδηγεί σε ακριβή αποτελέσματα με χαμηλές τιμές χ2, ακόμη και με περιορισμένο αριθμό δεδομένων. Τα αποτελέσματα αυτής της πρωτότυπης μελέτης θα μπορούσαν να εξυπηρετήσουν περαιτέρω έρευνα με συμμετοχή των ANNs για την ανακατασκευή ιατρικών εικόνων με υψηλή κλινική αξία.","abstract_has_math":false,"creators":["Τομαζινάκη Μήνα Ερμιόνη","Tomazinaki Mina Ermioni"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:32:00Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2784548"],"render_values":[{"text":"uoadl:2784548","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2784548","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2784548","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2784548","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τομαζινάκη Μήνα Ερμιόνη","Tomazinaki Mina Ermioni"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2784548","https://pergamos.lib.uoa.gr/uoa/dl/object/2784548"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι πρόσφατες εξελίξεις στην Τεχνητή Νοημοσύνη (AI) και τη Μηχανική Εκμάθηση (ML) έχουν επηρεάσει τον τομέα της Ιατρικής Φυσικής και τείνουν να θέσουν νέους ορίζοντες στην Ανακατασκευή Εικόνας στην Ιατρική. Σύγχρονες εφαρμογές της Τομογραφίας, όπως το SPECT, κάνουν χρήση καινοτόμου λογισμικού δεδομένων των περιορισμών στην τεχνολογία και χρήση υλικού εξοπλισμού σήμερα. Η εν λόγω μελέτη επικεντρώνεται στην Ανακατασκευή Τομογραφικής Εικόνας εκμεταλλευόμενη συμμετρίες του μετασχηματισμού Radon, καθώς και νέες εφαρμογές βασισμένες σε Τεχνητά Νευρωνικά Δίκτυα (ANNs). Έχοντας κατά νου πως ο μαθηματικός μετασχηματισμός του Τομογραφικού Προβλήματος πρέπει να διατηρηθεί, προστατεύοντας αυστηρά το ρόλο του κάθε στοιχείου που συμμετέχει στο δίκτυο, πρέπει να πληρούνται οι ακόλουθες προϋποθέσεις: Τα δεδομένα εισόδου πρέπει πάντα να χαρακτηρίζονται από το σινόγραμμα της εικόνας ενώ η έξοδος πρέπει να περιέχει πληροφορίες που αφορούν την ανακατασκευή της εικόνας. Αντί της συμβατικής τεχνικής του σινογράμματος, είναι απαραίτητη μια εναλλακτική προσέγγιση. Μια διαφοροποιημένη μορφή του γνωστού σινογράμματος χωρίς εξαρτήσεις από τα χαρακτηριστικά των εικόνων θα μπορούσε οδηγήσει σε ανακατασκευασμένες εικόνες υψηλής διαγνωστικής ισχύος και χαμηλού υπολογιστικού κόστους. Η αποτελεσματικότητα αυτού του παραλλαγμένου σινογράμματος δοκιμάζεται ως είσοδος διάφορων αρχιτεκτονικών για την πρόβλεψη των τιμών των εικονοστοιχείων (pixels) που συνθέτουν την πλήρη εικόνα. Επιπλεόν, το προτεινόμενο πρωτότυπο συνδυάζεται με ευρέως γνωστούς και καθιερωμένους αλγόριθμους, όπως η τεχνική Ανακατασκευής με αλγεβρικές μεθόδους(ART), που οδηγεί σε ακριβή αποτελέσματα με χαμηλές τιμές χ2, ακόμη και με περιορισμένο αριθμό δεδομένων. Τα αποτελέσματα αυτής της πρωτότυπης μελέτης θα μπορούσαν να εξυπηρετήσουν περαιτέρω έρευνα με συμμετοχή των ANNs για την ανακατασκευή ιατρικών εικόνων με υψηλή κλινική αξία.","The recent advances in Artificial Intelligence (AI) and Machine Learning (ML) have affected Medical Physics and tend to set new frontiers in Image Reconstruction in Medicine. Nowadays modalities of tomography, such as SPECT, make use of software novelties since the current hardware have reach an upper limit. The aim of this study focuses on new approaches in Tomographic Image Reconstruction exploiting Radon Transform symmetries and novel training structures based on Artificial Neural Networks (ANNs). Having in mind that the mathematical transform of the tomographic process must be preserved, by keeping the simplicity and the strictly labeled service that each layer could provide in the network, the following conditions should be fulfilled: The input data always has to be characterized by the sinogram of the image while the output has to reflect information about the image’s representation. Instead of using the conventional sinogram technique, a new approach has to be introduced. A simple remapping of the well-known sinogram free of dependencies of the images’ features could lead to reconstructed images of diagnostic power and low time cost. The efficiency of this altered sinogram is tested as input of various ANN architectures in the current work in order to predict pixel values which guide the full image reconstruction. The proposed prototype is implemented in combined techniques with well-established algorithms, such as Algebraic Reconstruction Technique (ART), leading to accurate results characterized by low chi- square values, even with limited available data. The results of this work as a prototype study could serve further research with ANN involvement for accurate Image Reconstructions of high clinical value."]},{"key":"dc:title","label":"Title","values":["Artificial Neural Networks in Single Photon Emission Tomography (SPECT)"]}]}],"canonical_facts":{"dc:creator":["Τομαζινάκη Μήνα Ερμιόνη","Tomazinaki Mina Ermioni"],"dc:date":["2018"],"dc:description":["Οι πρόσφατες εξελίξεις στην Τεχνητή Νοημοσύνη (AI) και τη Μηχανική Εκμάθηση (ML) έχουν επηρεάσει τον τομέα της Ιατρικής Φυσικής και τείνουν να θέσουν νέους ορίζοντες στην Ανακατασκευή Εικόνας στην Ιατρική. Σύγχρονες εφαρμογές της Τομογραφίας, όπως το SPECT, κάνουν χρήση καινοτόμου λογισμικού δεδομένων των περιορισμών στην τεχνολογία και χρήση υλικού εξοπλισμού σήμερα. Η εν λόγω μελέτη επικεντρώνεται στην Ανακατασκευή Τομογραφικής Εικόνας εκμεταλλευόμενη συμμετρίες του μετασχηματισμού Radon, καθώς και νέες εφαρμογές βασισμένες σε Τεχνητά Νευρωνικά Δίκτυα (ANNs). Έχοντας κατά νου πως ο μαθηματικός μετασχηματισμός του Τομογραφικού Προβλήματος πρέπει να διατηρηθεί, προστατεύοντας αυστηρά το ρόλο του κάθε στοιχείου που συμμετέχει στο δίκτυο, πρέπει να πληρούνται οι ακόλουθες προϋποθέσεις: Τα δεδομένα εισόδου πρέπει πάντα να χαρακτηρίζονται από το σινόγραμμα της εικόνας ενώ η έξοδος πρέπει να περιέχει πληροφορίες που αφορούν την ανακατασκευή της εικόνας. Αντί της συμβατικής τεχνικής του σινογράμματος, είναι απαραίτητη μια εναλλακτική προσέγγιση. Μια διαφοροποιημένη μορφή του γνωστού σινογράμματος χωρίς εξαρτήσεις από τα χαρακτηριστικά των εικόνων θα μπορούσε οδηγήσει σε ανακατασκευασμένες εικόνες υψηλής διαγνωστικής ισχύος και χαμηλού υπολογιστικού κόστους. Η αποτελεσματικότητα αυτού του παραλλαγμένου σινογράμματος δοκιμάζεται ως είσοδος διάφορων αρχιτεκτονικών για την πρόβλεψη των τιμών των εικονοστοιχείων (pixels) που συνθέτουν την πλήρη εικόνα. Επιπλεόν, το προτεινόμενο πρωτότυπο συνδυάζεται με ευρέως γνωστούς και καθιερωμένους αλγόριθμους, όπως η τεχνική Ανακατασκευής με αλγεβρικές μεθόδους(ART), που οδηγεί σε ακριβή αποτελέσματα με χαμηλές τιμές χ2, ακόμη και με περιορισμένο αριθμό δεδομένων. Τα αποτελέσματα αυτής της πρωτότυπης μελέτης θα μπορούσαν να εξυπηρετήσουν περαιτέρω έρευνα με συμμετοχή των ANNs για την ανακατασκευή ιατρικών εικόνων με υψηλή κλινική αξία.","The recent advances in Artificial Intelligence (AI) and Machine Learning (ML) have affected Medical Physics and tend to set new frontiers in Image Reconstruction in Medicine. Nowadays modalities of tomography, such as SPECT, make use of software novelties since the current hardware have reach an upper limit. The aim of this study focuses on new approaches in Tomographic Image Reconstruction exploiting Radon Transform symmetries and novel training structures based on Artificial Neural Networks (ANNs). Having in mind that the mathematical transform of the tomographic process must be preserved, by keeping the simplicity and the strictly labeled service that each layer could provide in the network, the following conditions should be fulfilled: The input data always has to be characterized by the sinogram of the image while the output has to reflect information about the image’s representation. Instead of using the conventional sinogram technique, a new approach has to be introduced. A simple remapping of the well-known sinogram free of dependencies of the images’ features could lead to reconstructed images of diagnostic power and low time cost. The efficiency of this altered sinogram is tested as input of various ANN architectures in the current work in order to predict pixel values which guide the full image reconstruction. The proposed prototype is implemented in combined techniques with well-established algorithms, such as Algebraic Reconstruction Technique (ART), leading to accurate results characterized by low chi- square values, even with limited available data. The results of this work as a prototype study could serve further research with ANN involvement for accurate Image Reconstructions of high clinical value."],"dc:identifier":["uoadl:2784548","https://pergamos.lib.uoa.gr/uoa/dl/object/2784548"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Artificial Neural Networks in Single Photon Emission Tomography (SPECT)"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:32:00Z"}