{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3414343"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3414343","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόσφατες τεχνικές μηχανικής-μάθησης για την πρόβλεψη παθήσεων του θώρακα από ακτινογραφίες θώρακος","abstract":"Τα τελευταία χρόνια, η αυξανόμενη χρήση της ιατρικής απεικόνισης έχει ασκήσει σημαντική πίεση στους ακτινολόγους. Η βαθιά μάθηση παρέχει μια πολλά υποσχόμενη λύση για αυτόματη ανάλυση ιατρικής εικόνας και υποστήριξη κλινικών αποφάσεων. Έτσι, έχουν καταστεί απαραίτητες γρήγορες και αποτελεσματικές μέθοδοι ταξινόμησης των ασθενειών και δημιουργίας αναφορών. Σε αυτή την εργασία, παρουσιάζουμε πρόσφατες μελέτες σχετικά με τις διάφορες τεχνικές βαθιάς μάθησης που μπορούν να επεξεργαστούν τις ακτινογραφίες θώρακα και είναι ικανές να ανιχνεύσουν διαφορετικές παθήσεις του θώρακα. Επικεντρωνόμαστε σε άμεσα συγκρίσιμες μεθόδους, με την έννοια ότι χρησιμοποιούν τα ίδια αξιόπιστα σύνολα δεδομένων και αξιολογούνται χρησιμοποιώντας κοινές μετρικές αξιολόγησης και επομένως μπορούν να χρησιμοποιηθούν ως ομοιογενές εφαλτήριο για περαιτέρω έρευνα. Οι μέθοδοι που παρουσιάζονται είναι οι ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest και KAD. Όλες αυτές οι μέθοδοι μπορούν να μειώσουν αποτελεσματικά την πολυπλοκότητα της διάγνωσης και να βοηθήσουν τους ακτινολόγους. Επιπρόσθετα, αναλύουμε τα σύνολα δεδομένων για προ-εκπαίδευση και κατιούσα επεξεργασία (downstreaming), τις μετρικές αξιολόγησης (AUC, ACC, F1, AP) που χρησιμοποιούνται στην ταξινόμηση, καθώς και ορισμένα πειραματικά αποτελέσματα των μεθοδολογιών μηχανικής μάθησης που περιλαμβάνουν συγκρίσεις των υπό εξέταση μεθόδων και επίδειξη της ανωτερότητας ορισμένων μοντέλων έναντι άλλων στην ταξινόμηση μηδενικής-βολής (zero-shot) και κατιούσας επεξεργασίας (downstreaming). Για παράδειγμα, το μοντέλο Unichest επαληθεύει την αποτελεσματικότητά του έναντι των άλλων βασικών μεθόδων χρησιμοποιώντας το όφελος από τη συνεργασία πολλαπλών πηγών ακτινογραφιών θώρακος, ενώ μειώνει την αρνητική επίδραση της ετερογένειας της πηγής.","abstract_html":"Τα τελευταία χρόνια, η αυξανόμενη χρήση της ιατρικής απεικόνισης έχει ασκήσει σημαντική πίεση στους ακτινολόγους. Η βαθιά μάθηση παρέχει μια πολλά υποσχόμενη λύση για αυτόματη ανάλυση ιατρικής εικόνας και υποστήριξη κλινικών αποφάσεων. Έτσι, έχουν καταστεί απαραίτητες γρήγορες και αποτελεσματικές μέθοδοι ταξινόμησης των ασθενειών και δημιουργίας αναφορών. Σε αυτή την εργασία, παρουσιάζουμε πρόσφατες μελέτες σχετικά με τις διάφορες τεχνικές βαθιάς μάθησης που μπορούν να επεξεργαστούν τις ακτινογραφίες θώρακα και είναι ικανές να ανιχνεύσουν διαφορετικές παθήσεις του θώρακα. Επικεντρωνόμαστε σε άμεσα συγκρίσιμες μεθόδους, με την έννοια ότι χρησιμοποιούν τα ίδια αξιόπιστα σύνολα δεδομένων και αξιολογούνται χρησιμοποιώντας κοινές μετρικές αξιολόγησης και επομένως μπορούν να χρησιμοποιηθούν ως ομοιογενές εφαλτήριο για περαιτέρω έρευνα. Οι μέθοδοι που παρουσιάζονται είναι οι ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest και KAD. Όλες αυτές οι μέθοδοι μπορούν να μειώσουν αποτελεσματικά την πολυπλοκότητα της διάγνωσης και να βοηθήσουν τους ακτινολόγους. Επιπρόσθετα, αναλύουμε τα σύνολα δεδομένων για προ-εκπαίδευση και κατιούσα επεξεργασία (downstreaming), τις μετρικές αξιολόγησης (AUC, ACC, F1, AP) που χρησιμοποιούνται στην ταξινόμηση, καθώς και ορισμένα πειραματικά αποτελέσματα των μεθοδολογιών μηχανικής μάθησης που περιλαμβάνουν συγκρίσεις των υπό εξέταση μεθόδων και επίδειξη της ανωτερότητας ορισμένων μοντέλων έναντι άλλων στην ταξινόμηση μηδενικής-βολής (zero-shot) και κατιούσας επεξεργασίας (downstreaming). Για παράδειγμα, το μοντέλο Unichest επαληθεύει την αποτελεσματικότητά του έναντι των άλλων βασικών μεθόδων χρησιμοποιώντας το όφελος από τη συνεργασία πολλαπλών πηγών ακτινογραφιών θώρακος, ενώ μειώνει την αρνητική επίδραση της ετερογένειας της πηγής.","abstract_has_math":false,"creators":["Μπανιά Μαρία","Mpania Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:15Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3414343"],"render_values":[{"text":"uoadl:3414343","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3414343","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3414343","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%3A3414343","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπανιά Μαρία","Mpania Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"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:3414343","https://pergamos.lib.uoa.gr/uoa/dl/object/3414343"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια, η αυξανόμενη χρήση της ιατρικής απεικόνισης έχει ασκήσει σημαντική πίεση στους ακτινολόγους. Η βαθιά μάθηση παρέχει μια πολλά υποσχόμενη λύση για αυτόματη ανάλυση ιατρικής εικόνας και υποστήριξη κλινικών αποφάσεων. Έτσι, έχουν καταστεί απαραίτητες γρήγορες και αποτελεσματικές μέθοδοι ταξινόμησης των ασθενειών και δημιουργίας αναφορών. Σε αυτή την εργασία, παρουσιάζουμε πρόσφατες μελέτες σχετικά με τις διάφορες τεχνικές βαθιάς μάθησης που μπορούν να επεξεργαστούν τις ακτινογραφίες θώρακα και είναι ικανές να ανιχνεύσουν διαφορετικές παθήσεις του θώρακα. Επικεντρωνόμαστε σε άμεσα συγκρίσιμες μεθόδους, με την έννοια ότι χρησιμοποιούν τα ίδια αξιόπιστα σύνολα δεδομένων και αξιολογούνται χρησιμοποιώντας κοινές μετρικές αξιολόγησης και επομένως μπορούν να χρησιμοποιηθούν ως ομοιογενές εφαλτήριο για περαιτέρω έρευνα. Οι μέθοδοι που παρουσιάζονται είναι οι ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest και KAD. Όλες αυτές οι μέθοδοι μπορούν να μειώσουν αποτελεσματικά την πολυπλοκότητα της διάγνωσης και να βοηθήσουν τους ακτινολόγους. Επιπρόσθετα, αναλύουμε τα σύνολα δεδομένων για προ-εκπαίδευση και κατιούσα επεξεργασία (downstreaming), τις μετρικές αξιολόγησης (AUC, ACC, F1, AP) που χρησιμοποιούνται στην ταξινόμηση, καθώς και ορισμένα πειραματικά αποτελέσματα των μεθοδολογιών μηχανικής μάθησης που περιλαμβάνουν συγκρίσεις των υπό εξέταση μεθόδων και επίδειξη της ανωτερότητας ορισμένων μοντέλων έναντι άλλων στην ταξινόμηση μηδενικής-βολής (zero-shot) και κατιούσας επεξεργασίας (downstreaming). Για παράδειγμα, το μοντέλο Unichest επαληθεύει την αποτελεσματικότητά του έναντι των άλλων βασικών μεθόδων χρησιμοποιώντας το όφελος από τη συνεργασία πολλαπλών πηγών ακτινογραφιών θώρακος, ενώ μειώνει την αρνητική επίδραση της ετερογένειας της πηγής.","In recent years, the increasing use of medical imaging has placed considerable strain on radiologists. Deep learning provides a promising solution for automatic medical image analysis and clinical decision support. So, quick and effective methods to classify the diseases and generate the reports have become necessary. In this work, we present recent studies on the various deep learning techniques that can process chest X-rays and are capable of detecting different thoracic diseases. We concentrate on directly comparable methods, in the sense that they use the same reliable datasets and are evaluated using common evaluation metrics and therefore can be used as a homogeneous springboard for further research. The methods presented are ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest and KAD. All of these methods can effectively reduce the complexity of diagnosis and give a helping hand to radiologists. Additionally, we analyze the datasets for pre-training and downstream, the evaluation metrics (AUC, ACC, F1, AP) that are used in classification, as well as some experimental results of the machine-learning methodologies which include comparisons of the methods under consideration and demonstrate the superiority of some models over others on zero-shot and downstream classification. For example, the Unichest model verifies its effectiveness over the other baseline methods using the collaboration benefit of multiple sources of Chest X-rays while reducing the negative influence of the source heterogeneity."]},{"key":"dc:title","label":"Title","values":["Πρόσφατες τεχνικές μηχανικής-μάθησης για την πρόβλεψη παθήσεων του θώρακα από ακτινογραφίες θώρακος"]}]}],"canonical_facts":{"dc:creator":["Μπανιά Μαρία","Mpania Maria"],"dc:date":["2024"],"dc:description":["Τα τελευταία χρόνια, η αυξανόμενη χρήση της ιατρικής απεικόνισης έχει ασκήσει σημαντική πίεση στους ακτινολόγους. Η βαθιά μάθηση παρέχει μια πολλά υποσχόμενη λύση για αυτόματη ανάλυση ιατρικής εικόνας και υποστήριξη κλινικών αποφάσεων. Έτσι, έχουν καταστεί απαραίτητες γρήγορες και αποτελεσματικές μέθοδοι ταξινόμησης των ασθενειών και δημιουργίας αναφορών. Σε αυτή την εργασία, παρουσιάζουμε πρόσφατες μελέτες σχετικά με τις διάφορες τεχνικές βαθιάς μάθησης που μπορούν να επεξεργαστούν τις ακτινογραφίες θώρακα και είναι ικανές να ανιχνεύσουν διαφορετικές παθήσεις του θώρακα. Επικεντρωνόμαστε σε άμεσα συγκρίσιμες μεθόδους, με την έννοια ότι χρησιμοποιούν τα ίδια αξιόπιστα σύνολα δεδομένων και αξιολογούνται χρησιμοποιώντας κοινές μετρικές αξιολόγησης και επομένως μπορούν να χρησιμοποιηθούν ως ομοιογενές εφαλτήριο για περαιτέρω έρευνα. Οι μέθοδοι που παρουσιάζονται είναι οι ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest και KAD. Όλες αυτές οι μέθοδοι μπορούν να μειώσουν αποτελεσματικά την πολυπλοκότητα της διάγνωσης και να βοηθήσουν τους ακτινολόγους. Επιπρόσθετα, αναλύουμε τα σύνολα δεδομένων για προ-εκπαίδευση και κατιούσα επεξεργασία (downstreaming), τις μετρικές αξιολόγησης (AUC, ACC, F1, AP) που χρησιμοποιούνται στην ταξινόμηση, καθώς και ορισμένα πειραματικά αποτελέσματα των μεθοδολογιών μηχανικής μάθησης που περιλαμβάνουν συγκρίσεις των υπό εξέταση μεθόδων και επίδειξη της ανωτερότητας ορισμένων μοντέλων έναντι άλλων στην ταξινόμηση μηδενικής-βολής (zero-shot) και κατιούσας επεξεργασίας (downstreaming). Για παράδειγμα, το μοντέλο Unichest επαληθεύει την αποτελεσματικότητά του έναντι των άλλων βασικών μεθόδων χρησιμοποιώντας το όφελος από τη συνεργασία πολλαπλών πηγών ακτινογραφιών θώρακος, ενώ μειώνει την αρνητική επίδραση της ετερογένειας της πηγής.","In recent years, the increasing use of medical imaging has placed considerable strain on radiologists. Deep learning provides a promising solution for automatic medical image analysis and clinical decision support. So, quick and effective methods to classify the diseases and generate the reports have become necessary. In this work, we present recent studies on the various deep learning techniques that can process chest X-rays and are capable of detecting different thoracic diseases. We concentrate on directly comparable methods, in the sense that they use the same reliable datasets and are evaluated using common evaluation metrics and therefore can be used as a homogeneous springboard for further research. The methods presented are ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest and KAD. All of these methods can effectively reduce the complexity of diagnosis and give a helping hand to radiologists. Additionally, we analyze the datasets for pre-training and downstream, the evaluation metrics (AUC, ACC, F1, AP) that are used in classification, as well as some experimental results of the machine-learning methodologies which include comparisons of the methods under consideration and demonstrate the superiority of some models over others on zero-shot and downstream classification. For example, the Unichest model verifies its effectiveness over the other baseline methods using the collaboration benefit of multiple sources of Chest X-rays while reducing the negative influence of the source heterogeneity."],"dc:identifier":["uoadl:3414343","https://pergamos.lib.uoa.gr/uoa/dl/object/3414343"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πρόσφατες τεχνικές μηχανικής-μάθησης για την πρόβλεψη παθήσεων του θώρακα από ακτινογραφίες θώρακος"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:15Z"}