Back to search

National and Kapodistrian University of Athens

Θέτοντας μια αποτελεσματική αρχιτεκτονική δικτύου βαθιάς μάθησης για την κατάτμηση Ιατρικών εικόνων

Abstract

dc:description

Η σωστή τμηματοποίηση ιατρικής εικόνας είναι καθοριστικής σημασίας για την ακριβή διάγνωση και την αποτελεσματική θεραπεία πολλών παθήσεων. Μέσω της τμηματοποίησης, οι διαφορετικές δομές ή ανωμαλίες εντός μιας εικόνας διαχωρίζονται με ακρίβεια, επιτρέποντας στους ιατρούς να επικεντρωθούν σε συγκεκριμένα όργανα, ιστούς ή παθολογικές περιοχές. Η ακριβής τμηματοποίηση όγκων, αγγείων ή άλλων δομών μπορεί να καθορίσει σημαντικές αποφάσεις που αφορούν κλινικές πρακτικές, συμβάλλοντας στην έγκαιρη διάγνωση, τη βέλτιστη θεραπεία αλλά και την πρόγνωση. Ωστόσο, η τμηματοποίηση με παραδοσιακές μεθόδους απαιτεί συνδυασμό εξειδικευμένων τεχνικών που πρέπει να προσαρμοστούν κατάλληλα στο εκάστοτε πρόβλημα. Αυτό περιλαμβάνει τη χρήση αλγορίθμων που πρέπει να τροποποιηθούν ανάλογα με την ανατομική περιοχή, τον τύπο των απεικονιστικών δεδομένων (π.χ. MRI, CT, υπερήχους) και τις συγκεκριμένες παθολογικές καταστάσεις που διερευνώνται. Η ανάπτυξη εύχρηστων και αποτελεσματικών μοντέλων για σημασιολογική κατάτμηση αποτελεί απαραίτητη εξέλιξη για την αντιμετώπιση αυτών των προκλήσεων. Μοντέλα βασισμένα σε αλγόριθμους τεχνητής νοημοσύνης (βαθιά νευρωνικά δίκτυα), προσφέρουν τη δυνατότητα για αυτοματοποιημένη και ακριβή τμηματοποίηση. Στην πράξη, η χρήση των μοντέλων αυτών περιορίζεται από δύο σημαντικούς παράγοντες: • Διαθεσιμότητα δεδομένων. Η συλλογή μεγάλων ποσοτήτων ιατρικών δεδομένων, απαραίτητων για την εκπαίδευση αυτών των μοντέλων είναι δύσκολη και συχνά περιορισμένη λόγω ζητημάτων ιδιωτικότητας και κόστους. • Διαθεσιμότητα υπολογιστικών πόρων. Οι αρχιτεκτονικές βαθιών νευρωνικών δικτύων απαιτούν σημαντική υπολογιστική ισχύ. Η μεταφορά γνώσης (transfer learning) συμβάλλει σημαντικά στην αντιμετώπιση αυτών των προκλήσεων. Μέσω αυτής, μοντέλα που έχουν ήδη εκπαιδευτεί σε μεγάλα και ποικιλόμορφα σύνολα δεδομένων μπορούν να προσαρμοστούν, με μικρής κλίμακας τροποποιήσεις σε νέα προβλήματα όπου τα δεδομένα είναι περιορισμένα. Αν και αξιοποιώντας τις δυνατότητες της μεταφοράς γνώσης, μειώνεται σημαντικά το κόστος της υπολογιστικής ισχύος, η εφαρμογή αυτών των μοντέλων παραμένει απαιτητική σε υπολογιστικούς πόρους. Η ανάπτυξη εύχρηστων και υπολογιστικά αποδοτικών μοντέλων είναι σημαντική καθώς καθιστά τη σημασιολογική κατάτμηση προσιτή και αποτελεσματική, προσφέροντας δυνατότητες προηγμένης ανάλυσης εικόνας σε μεγαλύτερο αριθμό κλινικών εργασιών. Στόχος της παρούσας μελέτης αποτελεί η ανάδειξη μίας ευέλικτης και υπολογιστικά αποδοτικής αρχιτεκτονικής, που εκμεταλλεύεται τις δυνατότητες της μεταφοράς γνώσης και αποδίδει αποτελέσματα υψηλής ακρίβειας σε διαφορετικά προβλήματα ιατρικής απεικόνισης και διαβαθμισμένης ομοιότητας από την ImageNet. Ελπίζουμε πως αυτή η εργασία θα μπορέσει να αποτελέσει το εφαλτήριο για τη χρήση και σύγκριση ευέλικτων και αποδοτικών αρχιτεκτονικών σε μελλοντικές ερευνητικές προσπάθειες.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Προκοπίου Ιωάννης
  • Prokopiou Ioannis

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3419947

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Προκοπίου Ιωάννης; Prokopiou Ioannis. Θέτοντας μια αποτελεσματική αρχιτεκτονική δικτύου βαθιάς μάθησης για την κατάτμηση Ιατρικών εικόνων. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3419947