{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3359649"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3359649","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη και Επικύρωση ενός Αλγορίθμου Βαθιάς Μάθησης με χρήση Συνελικτικών Νευρωνικών Δικτύων για την Ατομική Διάγνωση του Επιπέδου Άνοιας Ασθενούς με νόσο του Alzheimer, χρησιμοποιώντας Δεδομένα Εικόνων Μαγνητικής Τομογραφίας","abstract":"Η νόσος του Alzheimer είναι μια διαταραχή που προκαλεί εκφύλιση των κυττάρων του εγκεφάλου και είναι η κύρια αιτία άνοιας παγκοσμίως, η οποία χαρακτηρίζεται από μείωση της γνωστικής λειτουργίας του ασθενούς και της ανεξαρτησίας του στις προσωπικές καθημερινές δραστηριότητες (Breijyeh & Karaman, 2020). Τα κλινικά συμπτώματα φαίνεται να εμφανίζονται αρκετά χρόνια μετά την έναρξη της νόσου όταν έχει ήδη γίνει νευροεκφυλισμός και δεν υπάρχει δυνατότητα επιστροφής του εγκεφάλου στην φυσιολογική του κατάσταση. Τα τελευταία χρόνια έχει αυξηθεί το ενδιαφέρον για τη διάγνωση με τη βοήθεια υπολογιστή για τη νόσο του Alzheimer και των προδρομικών της σταδίων με την Βαθιά Μάθηση να έχει τον πρωταγωνιστικό ρόλο. Πιο συγκεκριμένα, τα Συνελικτικά Νευρωνικά Δίκτυα έχουν κερδίσει δημοσιότητα λόγω της εξαιρετικής αποτελεσματικότητάς τους στην αυτοματοποιημένη εκμάθηση χαρακτηριστικών εικόνας με τη χρήση Βαθιών Νευρωνικών Δικτύων (Pan et al., 2020). Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός αποτελεσματικού τρόπου έγκαιρης διάγνωσης της νόσου του Alzheimer κατά τα πρόδρομα στάδια της πολύ πριν αρχίσουν να εκδηλώνονται τα συμπτώματα. Μια τέτοια μέθοδος που θα μπορούσε να διακρίνει το κλινικό στάδιο ενός ασθενούς με νόσο του Alzheimer είναι η ατομική διάγνωση του ασθενούς με δεδομένα εικόνων δομικής Μαγνητικής Τομογραφίας. Η δομική Μαγνητική Τομογραφία μετρά τη μορφομετρία του εγκεφάλου και επομένως μπορεί να καταγράψει την ατροφία πολλών και διαφορετικών περιοχών του εγκεφάλου υπεύθυνων για την εξέλιξη της άνοιας της νόσου του Alzheimer, αποτελώντας έναν in vivo βιοδείκτη νευροεκφυλισμού (C.R. et al., 2009; Vemuri & Jack, 2010). Στην παρούσα διπλωματική εργασία, έγινε προσπάθεια δημιουργίας και επικύρωσης ενός αλγορίθμου Μηχανικής Μάθησης και κατ’ επέκταση ενός Συνελικτικού Νευρωνικού Δικτύου που θα μπορεί να κατηγοριοποιήσει εικόνες Μαγνητικής Τομογραφίας ενός συγκεκριμένου ασθενούς σε μια από τις 4 κατηγορίες προδρομικών σταδίων της νόσου του Αλτσχάιμερ: Προκλινική νόσος του Alzheimer - καθόλου Άνοια, Ήπια Γνωστική Εξασθένηση, Ήπια Άνοια και Μέτρια Άνοια.","abstract_html":"Η νόσος του Alzheimer είναι μια διαταραχή που προκαλεί εκφύλιση των κυττάρων του εγκεφάλου και είναι η κύρια αιτία άνοιας παγκοσμίως, η οποία χαρακτηρίζεται από μείωση της γνωστικής λειτουργίας του ασθενούς και της ανεξαρτησίας του στις προσωπικές καθημερινές δραστηριότητες (Breijyeh &amp; Karaman, 2020). Τα κλινικά συμπτώματα φαίνεται να εμφανίζονται αρκετά χρόνια μετά την έναρξη της νόσου όταν έχει ήδη γίνει νευροεκφυλισμός και δεν υπάρχει δυνατότητα επιστροφής του εγκεφάλου στην φυσιολογική του κατάσταση. Τα τελευταία χρόνια έχει αυξηθεί το ενδιαφέρον για τη διάγνωση με τη βοήθεια υπολογιστή για τη νόσο του Alzheimer και των προδρομικών της σταδίων με την Βαθιά Μάθηση να έχει τον πρωταγωνιστικό ρόλο. Πιο συγκεκριμένα, τα Συνελικτικά Νευρωνικά Δίκτυα έχουν κερδίσει δημοσιότητα λόγω της εξαιρετικής αποτελεσματικότητάς τους στην αυτοματοποιημένη εκμάθηση χαρακτηριστικών εικόνας με τη χρήση Βαθιών Νευρωνικών Δικτύων (Pan et al., 2020). Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός αποτελεσματικού τρόπου έγκαιρης διάγνωσης της νόσου του Alzheimer κατά τα πρόδρομα στάδια της πολύ πριν αρχίσουν να εκδηλώνονται τα συμπτώματα. Μια τέτοια μέθοδος που θα μπορούσε να διακρίνει το κλινικό στάδιο ενός ασθενούς με νόσο του Alzheimer είναι η ατομική διάγνωση του ασθενούς με δεδομένα εικόνων δομικής Μαγνητικής Τομογραφίας. Η δομική Μαγνητική Τομογραφία μετρά τη μορφομετρία του εγκεφάλου και επομένως μπορεί να καταγράψει την ατροφία πολλών και διαφορετικών περιοχών του εγκεφάλου υπεύθυνων για την εξέλιξη της άνοιας της νόσου του Alzheimer, αποτελώντας έναν in vivo βιοδείκτη νευροεκφυλισμού (C.R. et al., 2009; Vemuri &amp; Jack, 2010). Στην παρούσα διπλωματική εργασία, έγινε προσπάθεια δημιουργίας και επικύρωσης ενός αλγορίθμου Μηχανικής Μάθησης και κατ’ επέκταση ενός Συνελικτικού Νευρωνικού Δικτύου που θα μπορεί να κατηγοριοποιήσει εικόνες Μαγνητικής Τομογραφίας ενός συγκεκριμένου ασθενούς σε μια από τις 4 κατηγορίες προδρομικών σταδίων της νόσου του Αλτσχάιμερ: Προκλινική νόσος του Alzheimer - καθόλου Άνοια, Ήπια Γνωστική Εξασθένηση, Ήπια Άνοια και Μέτρια Άνοια.","abstract_has_math":false,"creators":["Μενελάου Στυλιάνα","Menelaou Styliana"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:29Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3359649"],"render_values":[{"text":"uoadl:3359649","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3359649","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3359649","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%3A3359649","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μενελάου Στυλιάνα","Menelaou Styliana"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["Θετικές Επιστήμες","Science"]}]},{"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:3359649","https://pergamos.lib.uoa.gr/uoa/dl/object/3359649"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η νόσος του Alzheimer είναι μια διαταραχή που προκαλεί εκφύλιση των κυττάρων του εγκεφάλου και είναι η κύρια αιτία άνοιας παγκοσμίως, η οποία χαρακτηρίζεται από μείωση της γνωστικής λειτουργίας του ασθενούς και της ανεξαρτησίας του στις προσωπικές καθημερινές δραστηριότητες (Breijyeh & Karaman, 2020). Τα κλινικά συμπτώματα φαίνεται να εμφανίζονται αρκετά χρόνια μετά την έναρξη της νόσου όταν έχει ήδη γίνει νευροεκφυλισμός και δεν υπάρχει δυνατότητα επιστροφής του εγκεφάλου στην φυσιολογική του κατάσταση. Τα τελευταία χρόνια έχει αυξηθεί το ενδιαφέρον για τη διάγνωση με τη βοήθεια υπολογιστή για τη νόσο του Alzheimer και των προδρομικών της σταδίων με την Βαθιά Μάθηση να έχει τον πρωταγωνιστικό ρόλο. Πιο συγκεκριμένα, τα Συνελικτικά Νευρωνικά Δίκτυα έχουν κερδίσει δημοσιότητα λόγω της εξαιρετικής αποτελεσματικότητάς τους στην αυτοματοποιημένη εκμάθηση χαρακτηριστικών εικόνας με τη χρήση Βαθιών Νευρωνικών Δικτύων (Pan et al., 2020). Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός αποτελεσματικού τρόπου έγκαιρης διάγνωσης της νόσου του Alzheimer κατά τα πρόδρομα στάδια της πολύ πριν αρχίσουν να εκδηλώνονται τα συμπτώματα. Μια τέτοια μέθοδος που θα μπορούσε να διακρίνει το κλινικό στάδιο ενός ασθενούς με νόσο του Alzheimer είναι η ατομική διάγνωση του ασθενούς με δεδομένα εικόνων δομικής Μαγνητικής Τομογραφίας. Η δομική Μαγνητική Τομογραφία μετρά τη μορφομετρία του εγκεφάλου και επομένως μπορεί να καταγράψει την ατροφία πολλών και διαφορετικών περιοχών του εγκεφάλου υπεύθυνων για την εξέλιξη της άνοιας της νόσου του Alzheimer, αποτελώντας έναν in vivo βιοδείκτη νευροεκφυλισμού (C.R. et al., 2009; Vemuri & Jack, 2010). Στην παρούσα διπλωματική εργασία, έγινε προσπάθεια δημιουργίας και επικύρωσης ενός αλγορίθμου Μηχανικής Μάθησης και κατ’ επέκταση ενός Συνελικτικού Νευρωνικού Δικτύου που θα μπορεί να κατηγοριοποιήσει εικόνες Μαγνητικής Τομογραφίας ενός συγκεκριμένου ασθενούς σε μια από τις 4 κατηγορίες προδρομικών σταδίων της νόσου του Αλτσχάιμερ: Προκλινική νόσος του Alzheimer - καθόλου Άνοια, Ήπια Γνωστική Εξασθένηση, Ήπια Άνοια και Μέτρια Άνοια.","Alzheimer's disease (AD) is a disorder that causes degeneration of brain cells and is the leading cause of dementia worldwide, which is characterized by a decrease in cognitive functions and the patient's independence in personal daily activities (Breijyeh & Karaman, 2020). Clinical symptoms seem to appear several years after the onset of the disease, when neurodegeneration has already occurred and there is no chance of the brain returning to its normal state. In recent years there has been increasing interest in computer-aided diagnosis (CAD) of Alzheimer's disease and its precursors, with Deep Learning playing a leading role. More specifically, Convolutional Neural Networks (CNNs) have gained popularity due to their excellent effectiveness in automated learning of image features using Deep Neural Networks (DNNs) (Pan et al., 2020). The aim of this thesis is to develop an effective way of early diagnosis of Alzheimer's disease in its early stages, long before symptoms begin to manifest. One such method that could distinguish the clinical stage of a patient with Alzheimer's disease is the individual diagnosis of the patient with structural Magnetic Resonance Imaging (sMRI) data. Structural MRI measures brain morphometry and can therefore capture the atrophy of many different brain regions responsible for the progression of dementia in Alzheimer's disease, making it an in vivo biomarker of neurodegeneration. In this thesis, an attempt was made to create and validate a Machine Learning algorithm and by extension a Convolutional Neural Network that can categorize an MR image of a specific patient into one of the 4 categories of the precursor stages of Alzheimer's disease: Preclinical Alzheimer's disease – non- Dementia, Mild Cognitive Impairment (MCI), Mild Dementia and Moderate Dementia."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη και Επικύρωση ενός Αλγορίθμου Βαθιάς Μάθησης με χρήση Συνελικτικών Νευρωνικών Δικτύων για την Ατομική Διάγνωση του Επιπέδου Άνοιας Ασθενούς με νόσο του Alzheimer, χρησιμοποιώντας Δεδομένα Εικόνων Μαγνητικής Τομογραφίας"]}]}],"canonical_facts":{"dc:creator":["Μενελάου Στυλιάνα","Menelaou Styliana"],"dc:date":["2023"],"dc:description":["Η νόσος του Alzheimer είναι μια διαταραχή που προκαλεί εκφύλιση των κυττάρων του εγκεφάλου και είναι η κύρια αιτία άνοιας παγκοσμίως, η οποία χαρακτηρίζεται από μείωση της γνωστικής λειτουργίας του ασθενούς και της ανεξαρτησίας του στις προσωπικές καθημερινές δραστηριότητες (Breijyeh & Karaman, 2020). Τα κλινικά συμπτώματα φαίνεται να εμφανίζονται αρκετά χρόνια μετά την έναρξη της νόσου όταν έχει ήδη γίνει νευροεκφυλισμός και δεν υπάρχει δυνατότητα επιστροφής του εγκεφάλου στην φυσιολογική του κατάσταση. Τα τελευταία χρόνια έχει αυξηθεί το ενδιαφέρον για τη διάγνωση με τη βοήθεια υπολογιστή για τη νόσο του Alzheimer και των προδρομικών της σταδίων με την Βαθιά Μάθηση να έχει τον πρωταγωνιστικό ρόλο. Πιο συγκεκριμένα, τα Συνελικτικά Νευρωνικά Δίκτυα έχουν κερδίσει δημοσιότητα λόγω της εξαιρετικής αποτελεσματικότητάς τους στην αυτοματοποιημένη εκμάθηση χαρακτηριστικών εικόνας με τη χρήση Βαθιών Νευρωνικών Δικτύων (Pan et al., 2020). Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός αποτελεσματικού τρόπου έγκαιρης διάγνωσης της νόσου του Alzheimer κατά τα πρόδρομα στάδια της πολύ πριν αρχίσουν να εκδηλώνονται τα συμπτώματα. Μια τέτοια μέθοδος που θα μπορούσε να διακρίνει το κλινικό στάδιο ενός ασθενούς με νόσο του Alzheimer είναι η ατομική διάγνωση του ασθενούς με δεδομένα εικόνων δομικής Μαγνητικής Τομογραφίας. Η δομική Μαγνητική Τομογραφία μετρά τη μορφομετρία του εγκεφάλου και επομένως μπορεί να καταγράψει την ατροφία πολλών και διαφορετικών περιοχών του εγκεφάλου υπεύθυνων για την εξέλιξη της άνοιας της νόσου του Alzheimer, αποτελώντας έναν in vivo βιοδείκτη νευροεκφυλισμού (C.R. et al., 2009; Vemuri & Jack, 2010). Στην παρούσα διπλωματική εργασία, έγινε προσπάθεια δημιουργίας και επικύρωσης ενός αλγορίθμου Μηχανικής Μάθησης και κατ’ επέκταση ενός Συνελικτικού Νευρωνικού Δικτύου που θα μπορεί να κατηγοριοποιήσει εικόνες Μαγνητικής Τομογραφίας ενός συγκεκριμένου ασθενούς σε μια από τις 4 κατηγορίες προδρομικών σταδίων της νόσου του Αλτσχάιμερ: Προκλινική νόσος του Alzheimer - καθόλου Άνοια, Ήπια Γνωστική Εξασθένηση, Ήπια Άνοια και Μέτρια Άνοια.","Alzheimer's disease (AD) is a disorder that causes degeneration of brain cells and is the leading cause of dementia worldwide, which is characterized by a decrease in cognitive functions and the patient's independence in personal daily activities (Breijyeh & Karaman, 2020). Clinical symptoms seem to appear several years after the onset of the disease, when neurodegeneration has already occurred and there is no chance of the brain returning to its normal state. In recent years there has been increasing interest in computer-aided diagnosis (CAD) of Alzheimer's disease and its precursors, with Deep Learning playing a leading role. More specifically, Convolutional Neural Networks (CNNs) have gained popularity due to their excellent effectiveness in automated learning of image features using Deep Neural Networks (DNNs) (Pan et al., 2020). The aim of this thesis is to develop an effective way of early diagnosis of Alzheimer's disease in its early stages, long before symptoms begin to manifest. One such method that could distinguish the clinical stage of a patient with Alzheimer's disease is the individual diagnosis of the patient with structural Magnetic Resonance Imaging (sMRI) data. Structural MRI measures brain morphometry and can therefore capture the atrophy of many different brain regions responsible for the progression of dementia in Alzheimer's disease, making it an in vivo biomarker of neurodegeneration. In this thesis, an attempt was made to create and validate a Machine Learning algorithm and by extension a Convolutional Neural Network that can categorize an MR image of a specific patient into one of the 4 categories of the precursor stages of Alzheimer's disease: Preclinical Alzheimer's disease – non- Dementia, Mild Cognitive Impairment (MCI), Mild Dementia and Moderate Dementia."],"dc:identifier":["uoadl:3359649","https://pergamos.lib.uoa.gr/uoa/dl/object/3359649"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάπτυξη και Επικύρωση ενός Αλγορίθμου Βαθιάς Μάθησης με χρήση Συνελικτικών Νευρωνικών Δικτύων για την Ατομική Διάγνωση του Επιπέδου Άνοιας Ασθενούς με νόσο του Alzheimer, χρησιμοποιώντας Δεδομένα Εικόνων Μαγνητικής Τομογραφίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:29Z"}