{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2944193"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2944193","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μηχανική μάθηση στο μηνιγγίωμα: Μια συστηματική ανασκόπηση","abstract":"Το μηνιγγίωμα είναι ένας από τους πιο συχνούς πρωτοπαθείς όγκους εγκεφάλου. Ενώ η μαγνητική τομογραφία εγκεφάλου είναι η συνηθισμένη ακτινολογική τεχνική για προσωρινή διάγνωση και παρακολούθηση του μηνιγγιώματος, υστερεί μολαταύτα στην ικανότητα εκ πρώτης όψεως για καθορισμό της βιολογικής επιθετικότητας, αύξησης και δυναμικότητας υποτροπής του όγκου. Ένα διαρκώς αυξανόμενο «σώμα» ενδείξεων καταδεικνύει τη δυναμικότητα της μηχανικής μάθησης και των ακτινωμικών στην βελτίωση της συνέπειας και παραγωγικότητας στην παροχή νέων διαγνωστικών, θεραπευτικών και προγνωστικών δυνατοτήτων στην νευρο-ογκολογική απεικόνιση. Ο σκοπός της εργασίας είναι μία ανασκόπηση στην εξέλιξη και πρόοδο των προσεγγίσεων που χρησιμοποιούν μηχανική μάθηση στα μηνιγγιώματα και MRI-βασιζόμενης κατάτμησης, διάγνωσης, σταδιοποίησης και πρόγνωσης. Δίνουμε μία ιστορική προοπτική στην πρωτότυπη έρευνα σε ότι αφορά το μηνιγγίωμα τις τελευταίες δύο δεκαετίες και επισημαίνουμε πρόσφατες μελέτες που καταδεικνύουν το πόσο εφικτές είναι οι τωρινές προσεγγίσεις, που περιλαμβάνουν εν τω βάθει μάθηση (deep learning) στην αντιμετώπιση αρκετών κλινικά προκλητικών εκδοχών. Επίσης καταδεικνύουμε τους περιορισμούς προηγούμενων σχεδιασμών και πόρων των ερευνών και προτείνουμε μελλοντικές λύσεις για ανάδειξη περιοχών έρευνας που παραμένουν στην πλειοψηφία τους ανεξερεύνητες.","abstract_html":"Το μηνιγγίωμα είναι ένας από τους πιο συχνούς πρωτοπαθείς όγκους εγκεφάλου. Ενώ η μαγνητική τομογραφία εγκεφάλου είναι η συνηθισμένη ακτινολογική τεχνική για προσωρινή διάγνωση και παρακολούθηση του μηνιγγιώματος, υστερεί μολαταύτα στην ικανότητα εκ πρώτης όψεως για καθορισμό της βιολογικής επιθετικότητας, αύξησης και δυναμικότητας υποτροπής του όγκου. Ένα διαρκώς αυξανόμενο «σώμα» ενδείξεων καταδεικνύει τη δυναμικότητα της μηχανικής μάθησης και των ακτινωμικών στην βελτίωση της συνέπειας και παραγωγικότητας στην παροχή νέων διαγνωστικών, θεραπευτικών και προγνωστικών δυνατοτήτων στην νευρο-ογκολογική απεικόνιση. Ο σκοπός της εργασίας είναι μία ανασκόπηση στην εξέλιξη και πρόοδο των προσεγγίσεων που χρησιμοποιούν μηχανική μάθηση στα μηνιγγιώματα και MRI-βασιζόμενης κατάτμησης, διάγνωσης, σταδιοποίησης και πρόγνωσης. Δίνουμε μία ιστορική προοπτική στην πρωτότυπη έρευνα σε ότι αφορά το μηνιγγίωμα τις τελευταίες δύο δεκαετίες και επισημαίνουμε πρόσφατες μελέτες που καταδεικνύουν το πόσο εφικτές είναι οι τωρινές προσεγγίσεις, που περιλαμβάνουν εν τω βάθει μάθηση (deep learning) στην αντιμετώπιση αρκετών κλινικά προκλητικών εκδοχών. Επίσης καταδεικνύουμε τους περιορισμούς προηγούμενων σχεδιασμών και πόρων των ερευνών και προτείνουμε μελλοντικές λύσεις για ανάδειξη περιοχών έρευνας που παραμένουν στην πλειοψηφία τους ανεξερεύνητες.","abstract_has_math":false,"creators":["Πασχάλης Θανάσης","Paschalis Thanasis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:42:40Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2944193"],"render_values":[{"text":"uoadl:2944193","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2944193","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2944193","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%3A2944193","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πασχάλης Θανάσης","Paschalis Thanasis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2944193","https://pergamos.lib.uoa.gr/uoa/dl/object/2944193"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Το μηνιγγίωμα είναι ένας από τους πιο συχνούς πρωτοπαθείς όγκους εγκεφάλου. Ενώ η μαγνητική τομογραφία εγκεφάλου είναι η συνηθισμένη ακτινολογική τεχνική για προσωρινή διάγνωση και παρακολούθηση του μηνιγγιώματος, υστερεί μολαταύτα στην ικανότητα εκ πρώτης όψεως για καθορισμό της βιολογικής επιθετικότητας, αύξησης και δυναμικότητας υποτροπής του όγκου. Ένα διαρκώς αυξανόμενο «σώμα» ενδείξεων καταδεικνύει τη δυναμικότητα της μηχανικής μάθησης και των ακτινωμικών στην βελτίωση της συνέπειας και παραγωγικότητας στην παροχή νέων διαγνωστικών, θεραπευτικών και προγνωστικών δυνατοτήτων στην νευρο-ογκολογική απεικόνιση. Ο σκοπός της εργασίας είναι μία ανασκόπηση στην εξέλιξη και πρόοδο των προσεγγίσεων που χρησιμοποιούν μηχανική μάθηση στα μηνιγγιώματα και MRI-βασιζόμενης κατάτμησης, διάγνωσης, σταδιοποίησης και πρόγνωσης. Δίνουμε μία ιστορική προοπτική στην πρωτότυπη έρευνα σε ότι αφορά το μηνιγγίωμα τις τελευταίες δύο δεκαετίες και επισημαίνουμε πρόσφατες μελέτες που καταδεικνύουν το πόσο εφικτές είναι οι τωρινές προσεγγίσεις, που περιλαμβάνουν εν τω βάθει μάθηση (deep learning) στην αντιμετώπιση αρκετών κλινικά προκλητικών εκδοχών. Επίσης καταδεικνύουμε τους περιορισμούς προηγούμενων σχεδιασμών και πόρων των ερευνών και προτείνουμε μελλοντικές λύσεις για ανάδειξη περιοχών έρευνας που παραμένουν στην πλειοψηφία τους ανεξερεύνητες.","Meningioma is one of the most frequent primary central nervous system tumors. While magnetic resonance imaging (MRI), is the standard radiologic technique for provisional diagnosis and surveillance of meningioma, it nevertheless lacks the prima facie capacity in determining meningioma biological aggressiveness, growth, and recurrence potential. An increas- ing body of evidence highlights the potential of machine learning and radiomics in improving the consistency and produc- tivity and in providing novel diagnostic, treatment, and prognostic modalities in neuroncology imaging. The aim of the present article is to review the evolution and progress of approaches utilizing machine learning in meningioma MRI-based sementation, diagnosis, grading, and prognosis. We provide a historical perspective on original research on meningioma spanning over two decades and highlight recent studies indicating the feasibility of pertinent approaches, including deep learning in addressing several clinically challenging aspects. We indicate the limitations of previous research designs and resources and propose future directions by highlighting areas of research that remain largely unexplored."]},{"key":"dc:title","label":"Title","values":["Μηχανική μάθηση στο μηνιγγίωμα: Μια συστηματική ανασκόπηση"]}]}],"canonical_facts":{"dc:creator":["Πασχάλης Θανάσης","Paschalis Thanasis"],"dc:date":["2021"],"dc:description":["Το μηνιγγίωμα είναι ένας από τους πιο συχνούς πρωτοπαθείς όγκους εγκεφάλου. Ενώ η μαγνητική τομογραφία εγκεφάλου είναι η συνηθισμένη ακτινολογική τεχνική για προσωρινή διάγνωση και παρακολούθηση του μηνιγγιώματος, υστερεί μολαταύτα στην ικανότητα εκ πρώτης όψεως για καθορισμό της βιολογικής επιθετικότητας, αύξησης και δυναμικότητας υποτροπής του όγκου. Ένα διαρκώς αυξανόμενο «σώμα» ενδείξεων καταδεικνύει τη δυναμικότητα της μηχανικής μάθησης και των ακτινωμικών στην βελτίωση της συνέπειας και παραγωγικότητας στην παροχή νέων διαγνωστικών, θεραπευτικών και προγνωστικών δυνατοτήτων στην νευρο-ογκολογική απεικόνιση. Ο σκοπός της εργασίας είναι μία ανασκόπηση στην εξέλιξη και πρόοδο των προσεγγίσεων που χρησιμοποιούν μηχανική μάθηση στα μηνιγγιώματα και MRI-βασιζόμενης κατάτμησης, διάγνωσης, σταδιοποίησης και πρόγνωσης. Δίνουμε μία ιστορική προοπτική στην πρωτότυπη έρευνα σε ότι αφορά το μηνιγγίωμα τις τελευταίες δύο δεκαετίες και επισημαίνουμε πρόσφατες μελέτες που καταδεικνύουν το πόσο εφικτές είναι οι τωρινές προσεγγίσεις, που περιλαμβάνουν εν τω βάθει μάθηση (deep learning) στην αντιμετώπιση αρκετών κλινικά προκλητικών εκδοχών. Επίσης καταδεικνύουμε τους περιορισμούς προηγούμενων σχεδιασμών και πόρων των ερευνών και προτείνουμε μελλοντικές λύσεις για ανάδειξη περιοχών έρευνας που παραμένουν στην πλειοψηφία τους ανεξερεύνητες.","Meningioma is one of the most frequent primary central nervous system tumors. While magnetic resonance imaging (MRI), is the standard radiologic technique for provisional diagnosis and surveillance of meningioma, it nevertheless lacks the prima facie capacity in determining meningioma biological aggressiveness, growth, and recurrence potential. An increas- ing body of evidence highlights the potential of machine learning and radiomics in improving the consistency and produc- tivity and in providing novel diagnostic, treatment, and prognostic modalities in neuroncology imaging. The aim of the present article is to review the evolution and progress of approaches utilizing machine learning in meningioma MRI-based sementation, diagnosis, grading, and prognosis. We provide a historical perspective on original research on meningioma spanning over two decades and highlight recent studies indicating the feasibility of pertinent approaches, including deep learning in addressing several clinically challenging aspects. We indicate the limitations of previous research designs and resources and propose future directions by highlighting areas of research that remain largely unexplored."],"dc:identifier":["uoadl:2944193","https://pergamos.lib.uoa.gr/uoa/dl/object/2944193"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Μηχανική μάθηση στο μηνιγγίωμα: Μια συστηματική ανασκόπηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:42:40Z"}