{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3419947"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3419947","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Θέτοντας μια αποτελεσματική αρχιτεκτονική δικτύου βαθιάς μάθησης για την κατάτμηση Ιατρικών εικόνων","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Προκοπίου Ιωάννης","Prokopiou Ioannis"],"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":"2026-11-19T06:30:31Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419947"],"render_values":[{"text":"uoadl:3419947","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419947","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419947","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%3A3419947","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Προκοπίου Ιωάννης","Prokopiou Ioannis"]}]},{"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":["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:3419947","https://pergamos.lib.uoa.gr/uoa/dl/object/3419947"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Proper medical image segmentation is crucial for the accurate diagnosis and effective treatment of many conditions. Through segmentation, different structures or abnormalities within an image are accurately separated, allowing physicians to focus on specific organs, tissues or pathological areas. Accurate segmentation of tumors, vessels or other structures can determine important decisions regarding clinical practices, contributing to early diagnosis, optimal treatment and prognosis. However, segmentation by traditional methods requires a combination of specialized techniques that must be appropriately tailored to the problem at hand. This includes the use of algorithms that need to be modified according to the anatomical region, the type of imaging data (e.g. MRI, CT, ultrasound) and the specific pathological conditions being investigated. The development of easy-to-use and efficient models for semantic segmentation is a necessary development to address these challenges. Models based on artificial intelligence algorithms (deep neural networks) offer the potential for automated and accurate segmentation. In practice, the use of these models is limited by two important factors: • Data availability. Collecting large amounts of medical data necessary to train these models is difficult and often limited due to privacy and cost issues. • Availability of computing resources. Deep neural network architectures require significant computing power. Transfer learning is an important contribution to addressing these challenges. Through it, models already trained on large and diverse datasets can be adapted, with small-scale modifications, to new problems where data is limited. Although exploiting the potential of transfer learning significantly reduces the cost of computing power, the application of these models remains computationally resource intensive. The development of easy-to-use and computationally efficient models is important as it makes semantic segmentation accessible and efficient, offering possibilities for advanced image analysis in a larger number of clinical tasks. The goal of this study is to demonstrate a flexible and computationally efficient architecture that exploits the potential of transfer learning and yields high accuracy results on different medical imaging and graded similarity problems from ImageNet. We hope that this work can serve as a springboard for the use and comparison of flexible and efficient architectures in future research efforts."]},{"key":"dc:title","label":"Title","values":["Θέτοντας μια αποτελεσματική αρχιτεκτονική δικτύου βαθιάς μάθησης για την κατάτμηση Ιατρικών εικόνων"]}]}],"canonical_facts":{"dc:creator":["Προκοπίου Ιωάννης","Prokopiou Ioannis"],"dc:date":["2024"],"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.","Proper medical image segmentation is crucial for the accurate diagnosis and effective treatment of many conditions. Through segmentation, different structures or abnormalities within an image are accurately separated, allowing physicians to focus on specific organs, tissues or pathological areas. Accurate segmentation of tumors, vessels or other structures can determine important decisions regarding clinical practices, contributing to early diagnosis, optimal treatment and prognosis. However, segmentation by traditional methods requires a combination of specialized techniques that must be appropriately tailored to the problem at hand. This includes the use of algorithms that need to be modified according to the anatomical region, the type of imaging data (e.g. MRI, CT, ultrasound) and the specific pathological conditions being investigated. The development of easy-to-use and efficient models for semantic segmentation is a necessary development to address these challenges. Models based on artificial intelligence algorithms (deep neural networks) offer the potential for automated and accurate segmentation. In practice, the use of these models is limited by two important factors: • Data availability. Collecting large amounts of medical data necessary to train these models is difficult and often limited due to privacy and cost issues. • Availability of computing resources. Deep neural network architectures require significant computing power. Transfer learning is an important contribution to addressing these challenges. Through it, models already trained on large and diverse datasets can be adapted, with small-scale modifications, to new problems where data is limited. Although exploiting the potential of transfer learning significantly reduces the cost of computing power, the application of these models remains computationally resource intensive. The development of easy-to-use and computationally efficient models is important as it makes semantic segmentation accessible and efficient, offering possibilities for advanced image analysis in a larger number of clinical tasks. The goal of this study is to demonstrate a flexible and computationally efficient architecture that exploits the potential of transfer learning and yields high accuracy results on different medical imaging and graded similarity problems from ImageNet. We hope that this work can serve as a springboard for the use and comparison of flexible and efficient architectures in future research efforts."],"dc:identifier":["uoadl:3419947","https://pergamos.lib.uoa.gr/uoa/dl/object/3419947"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Θέτοντας μια αποτελεσματική αρχιτεκτονική δικτύου βαθιάς μάθησης για την κατάτμηση Ιατρικών εικόνων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:31Z"}