{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5295245"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5295245","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ο ρόλος της τεχνητής νοημοσύνης (AI) στην μελέτη της τοιχωματικής συστολικής απόδοσης της αριστερής κοιλίας","abstract":"Η τοιχωματική συστολική απόδοση αποτελεί έναν χρήσιμο δείκτη για την εκτίμηση της αριστερής κοιλίας και της καρδιακής λειτουργίας συνολικά. Η ακριβής μέτρηση της παραμέτρου αυτής είναι θεμελιώδης για την έγκαιρη διάγνωση και την παρακολούθηση καρδιολογικών παθήσεων, όπως η στεφανιαία νόσος, η αρτηριακή υπέρταση και η καρδιακή ανεπάρκεια. Απεικονιστικές μέθοδοι, όπως η ηχωκαρδιογραφία και η μαγνητική τομογραφία καρδιάς, χρησιμοποιούνται για την αξιολόγηση της τοιχωματικής απόδοσης, ωστόσο ενδέχεται να είναι χρονοβόρες και να απαιτούν εξειδικευμένο εξοπλισμό και εκπαίδευση. Η τεχνητή νοημοσύνη εμφανίζεται στην σύγχρονη καρδιολογία ως μια φιλόδοξη προσέγγιση για την ακριβή ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης, επιτρέποντας την ολοκλήρωση διαγνωστικών διαδικασιών και την ανάλυση ιατρικών δεδομένων με μεγαλύτερη ταχύτητα και ακρίβεια ελαχιστοποιώντας τους περιορισμούς των διαθέσιμων απεικονιστικών μεθόδων. Η παρούσα διπλωματική εργασία διερευνά τον ρόλο της τεχνητής νοημοσύνης (ΤΝ) στην ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης των τοιχωμάτων της αριστερής κοιλίας. Ειδικότερα, εξετάζεται η εφαρμογή προηγμένων αλγορίθμων μηχανικής και βαθιάς μάθησης για την αυτοματοποιημένη ανάλυση καρδιακών εικόνων και την πρόβλεψη της τοιχωματικής απόδοσης, αξιοποιώντας δεδομένα από ηχωκαρδιογραφία, μαγνητική τομογραφία και άλλες απεικονιστικές μεθόδους. Η έρευνα επικεντρώνεται στην εκτίμηση της ακρίβειας και της ευχρηστίας αυτών των αλγορίθμων σε σχέση με τις παραδοσιακές μεθόδους, ενώ εξετάζει και τις δυνατότητες της ΤΝ για την βελτίωση της διαγνωστικής ακρίβειας, της ταχύτητας ανάλυσης και της εξατομικευμένης φροντίδας των ασθενών. Επίσης, αναλύονται οι προκλήσεις που προκύπτουν από την εφαρμογή της ΤΝ στο πεδίο της καρδιολογίας, όπως τα δεδομένα εκπαίδευσης, η ανάγκη για ογκώδεις και ποικιλόμορφες βάσεις δεδομένων καθώς και τα ηθικά ζητήματα που συνδέονται με τη χρήση αυτών των τεχνολογιών. Τα ευρήματα της εργασίας αναδεικνύουν την δυνατότητα της τεχνητής νοημοσύνης να βελτιώσει την αξιολόγηση της τοιχωματικής συστολικής απόδοσης και προτείνουν κατευθύνσεις για περαιτέρω έρευνα και εφαρμογή της τεχνολογίας αυτής στον τομέα της καρδιολογίας.","abstract_html":"Η τοιχωματική συστολική απόδοση αποτελεί έναν χρήσιμο δείκτη για την εκτίμηση της αριστερής κοιλίας και της καρδιακής λειτουργίας συνολικά. Η ακριβής μέτρηση της παραμέτρου αυτής είναι θεμελιώδης για την έγκαιρη διάγνωση και την παρακολούθηση καρδιολογικών παθήσεων, όπως η στεφανιαία νόσος, η αρτηριακή υπέρταση και η καρδιακή ανεπάρκεια. Απεικονιστικές μέθοδοι, όπως η ηχωκαρδιογραφία και η μαγνητική τομογραφία καρδιάς, χρησιμοποιούνται για την αξιολόγηση της τοιχωματικής απόδοσης, ωστόσο ενδέχεται να είναι χρονοβόρες και να απαιτούν εξειδικευμένο εξοπλισμό και εκπαίδευση. Η τεχνητή νοημοσύνη εμφανίζεται στην σύγχρονη καρδιολογία ως μια φιλόδοξη προσέγγιση για την ακριβή ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης, επιτρέποντας την ολοκλήρωση διαγνωστικών διαδικασιών και την ανάλυση ιατρικών δεδομένων με μεγαλύτερη ταχύτητα και ακρίβεια ελαχιστοποιώντας τους περιορισμούς των διαθέσιμων απεικονιστικών μεθόδων. Η παρούσα διπλωματική εργασία διερευνά τον ρόλο της τεχνητής νοημοσύνης (ΤΝ) στην ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης των τοιχωμάτων της αριστερής κοιλίας. Ειδικότερα, εξετάζεται η εφαρμογή προηγμένων αλγορίθμων μηχανικής και βαθιάς μάθησης για την αυτοματοποιημένη ανάλυση καρδιακών εικόνων και την πρόβλεψη της τοιχωματικής απόδοσης, αξιοποιώντας δεδομένα από ηχωκαρδιογραφία, μαγνητική τομογραφία και άλλες απεικονιστικές μεθόδους. Η έρευνα επικεντρώνεται στην εκτίμηση της ακρίβειας και της ευχρηστίας αυτών των αλγορίθμων σε σχέση με τις παραδοσιακές μεθόδους, ενώ εξετάζει και τις δυνατότητες της ΤΝ για την βελτίωση της διαγνωστικής ακρίβειας, της ταχύτητας ανάλυσης και της εξατομικευμένης φροντίδας των ασθενών. Επίσης, αναλύονται οι προκλήσεις που προκύπτουν από την εφαρμογή της ΤΝ στο πεδίο της καρδιολογίας, όπως τα δεδομένα εκπαίδευσης, η ανάγκη για ογκώδεις και ποικιλόμορφες βάσεις δεδομένων καθώς και τα ηθικά ζητήματα που συνδέονται με τη χρήση αυτών των τεχνολογιών. Τα ευρήματα της εργασίας αναδεικνύουν την δυνατότητα της τεχνητής νοημοσύνης να βελτιώσει την αξιολόγηση της τοιχωματικής συστολικής απόδοσης και προτείνουν κατευθύνσεις για περαιτέρω έρευνα και εφαρμογή της τεχνολογίας αυτής στον τομέα της καρδιολογίας.","abstract_has_math":false,"creators":["Δημητρακάκης Στυλιανός","Dimitrakakis Stylianos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:53Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5295245"],"render_values":[{"text":"uoadl:5295245","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295245","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295245","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%3A5295245","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Δημητρακάκης Στυλιανός","Dimitrakakis Stylianos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:5295245","https://pergamos.lib.uoa.gr/uoa/dl/object/5295245"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η τοιχωματική συστολική απόδοση αποτελεί έναν χρήσιμο δείκτη για την εκτίμηση της αριστερής κοιλίας και της καρδιακής λειτουργίας συνολικά. Η ακριβής μέτρηση της παραμέτρου αυτής είναι θεμελιώδης για την έγκαιρη διάγνωση και την παρακολούθηση καρδιολογικών παθήσεων, όπως η στεφανιαία νόσος, η αρτηριακή υπέρταση και η καρδιακή ανεπάρκεια. Απεικονιστικές μέθοδοι, όπως η ηχωκαρδιογραφία και η μαγνητική τομογραφία καρδιάς, χρησιμοποιούνται για την αξιολόγηση της τοιχωματικής απόδοσης, ωστόσο ενδέχεται να είναι χρονοβόρες και να απαιτούν εξειδικευμένο εξοπλισμό και εκπαίδευση. Η τεχνητή νοημοσύνη εμφανίζεται στην σύγχρονη καρδιολογία ως μια φιλόδοξη προσέγγιση για την ακριβή ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης, επιτρέποντας την ολοκλήρωση διαγνωστικών διαδικασιών και την ανάλυση ιατρικών δεδομένων με μεγαλύτερη ταχύτητα και ακρίβεια ελαχιστοποιώντας τους περιορισμούς των διαθέσιμων απεικονιστικών μεθόδων. Η παρούσα διπλωματική εργασία διερευνά τον ρόλο της τεχνητής νοημοσύνης (ΤΝ) στην ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης των τοιχωμάτων της αριστερής κοιλίας. Ειδικότερα, εξετάζεται η εφαρμογή προηγμένων αλγορίθμων μηχανικής και βαθιάς μάθησης για την αυτοματοποιημένη ανάλυση καρδιακών εικόνων και την πρόβλεψη της τοιχωματικής απόδοσης, αξιοποιώντας δεδομένα από ηχωκαρδιογραφία, μαγνητική τομογραφία και άλλες απεικονιστικές μεθόδους. Η έρευνα επικεντρώνεται στην εκτίμηση της ακρίβειας και της ευχρηστίας αυτών των αλγορίθμων σε σχέση με τις παραδοσιακές μεθόδους, ενώ εξετάζει και τις δυνατότητες της ΤΝ για την βελτίωση της διαγνωστικής ακρίβειας, της ταχύτητας ανάλυσης και της εξατομικευμένης φροντίδας των ασθενών. Επίσης, αναλύονται οι προκλήσεις που προκύπτουν από την εφαρμογή της ΤΝ στο πεδίο της καρδιολογίας, όπως τα δεδομένα εκπαίδευσης, η ανάγκη για ογκώδεις και ποικιλόμορφες βάσεις δεδομένων καθώς και τα ηθικά ζητήματα που συνδέονται με τη χρήση αυτών των τεχνολογιών. Τα ευρήματα της εργασίας αναδεικνύουν την δυνατότητα της τεχνητής νοημοσύνης να βελτιώσει την αξιολόγηση της τοιχωματικής συστολικής απόδοσης και προτείνουν κατευθύνσεις για περαιτέρω έρευνα και εφαρμογή της τεχνολογίας αυτής στον τομέα της καρδιολογίας.","Left ventricular myocardial wall systolic performance is a critical indicator for assessing cardiac function, particularly in the assessment of left ventricular function. Accurate assessment is fundamental for the early diagnosis and follow up of patients with cardiovascular disease, such as valve disease, hypertension and heart failure. On the other hand, cardiovascular modalities such as echocardiography and cardiac magnetic resonance imaging are available in order to evaluate the myocardial wall systolic function. It’s known that these techniques may be time-consuming using advancing cardiovascular programmes. This thesis explores the role of artificial intelligence (AI) in the analysis and assessment of wall systolic performance. Moreover, the application of advanced machine learning and deep learning algorithms for automated cardiac image analysis and prediction of wall performance is examined, utilizing data from echocardiography, magnetic resonance imaging, and other imaging modalities. The research focuses on assessing the accuracy and usability of these algorithms compared to traditional methods, while examining the potential of AI to improve diagnostic accuracy, analysis speed, and personalized patient care. It also analyzes the challenges arising from the application of AI in the field of cardiology, such as training data, the need for large and diverse databases, and the ethical issues associated with the use of these technologies."]},{"key":"dc:title","label":"Title","values":["Ο ρόλος της τεχνητής νοημοσύνης (AI) στην μελέτη της τοιχωματικής συστολικής απόδοσης της αριστερής κοιλίας"]}]}],"canonical_facts":{"dc:creator":["Δημητρακάκης Στυλιανός","Dimitrakakis Stylianos"],"dc:date":["2025"],"dc:description":["Η τοιχωματική συστολική απόδοση αποτελεί έναν χρήσιμο δείκτη για την εκτίμηση της αριστερής κοιλίας και της καρδιακής λειτουργίας συνολικά. Η ακριβής μέτρηση της παραμέτρου αυτής είναι θεμελιώδης για την έγκαιρη διάγνωση και την παρακολούθηση καρδιολογικών παθήσεων, όπως η στεφανιαία νόσος, η αρτηριακή υπέρταση και η καρδιακή ανεπάρκεια. Απεικονιστικές μέθοδοι, όπως η ηχωκαρδιογραφία και η μαγνητική τομογραφία καρδιάς, χρησιμοποιούνται για την αξιολόγηση της τοιχωματικής απόδοσης, ωστόσο ενδέχεται να είναι χρονοβόρες και να απαιτούν εξειδικευμένο εξοπλισμό και εκπαίδευση. Η τεχνητή νοημοσύνη εμφανίζεται στην σύγχρονη καρδιολογία ως μια φιλόδοξη προσέγγιση για την ακριβή ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης, επιτρέποντας την ολοκλήρωση διαγνωστικών διαδικασιών και την ανάλυση ιατρικών δεδομένων με μεγαλύτερη ταχύτητα και ακρίβεια ελαχιστοποιώντας τους περιορισμούς των διαθέσιμων απεικονιστικών μεθόδων. Η παρούσα διπλωματική εργασία διερευνά τον ρόλο της τεχνητής νοημοσύνης (ΤΝ) στην ανάλυση και εκτίμηση της τοιχωματικής συστολικής απόδοσης των τοιχωμάτων της αριστερής κοιλίας. Ειδικότερα, εξετάζεται η εφαρμογή προηγμένων αλγορίθμων μηχανικής και βαθιάς μάθησης για την αυτοματοποιημένη ανάλυση καρδιακών εικόνων και την πρόβλεψη της τοιχωματικής απόδοσης, αξιοποιώντας δεδομένα από ηχωκαρδιογραφία, μαγνητική τομογραφία και άλλες απεικονιστικές μεθόδους. Η έρευνα επικεντρώνεται στην εκτίμηση της ακρίβειας και της ευχρηστίας αυτών των αλγορίθμων σε σχέση με τις παραδοσιακές μεθόδους, ενώ εξετάζει και τις δυνατότητες της ΤΝ για την βελτίωση της διαγνωστικής ακρίβειας, της ταχύτητας ανάλυσης και της εξατομικευμένης φροντίδας των ασθενών. Επίσης, αναλύονται οι προκλήσεις που προκύπτουν από την εφαρμογή της ΤΝ στο πεδίο της καρδιολογίας, όπως τα δεδομένα εκπαίδευσης, η ανάγκη για ογκώδεις και ποικιλόμορφες βάσεις δεδομένων καθώς και τα ηθικά ζητήματα που συνδέονται με τη χρήση αυτών των τεχνολογιών. Τα ευρήματα της εργασίας αναδεικνύουν την δυνατότητα της τεχνητής νοημοσύνης να βελτιώσει την αξιολόγηση της τοιχωματικής συστολικής απόδοσης και προτείνουν κατευθύνσεις για περαιτέρω έρευνα και εφαρμογή της τεχνολογίας αυτής στον τομέα της καρδιολογίας.","Left ventricular myocardial wall systolic performance is a critical indicator for assessing cardiac function, particularly in the assessment of left ventricular function. Accurate assessment is fundamental for the early diagnosis and follow up of patients with cardiovascular disease, such as valve disease, hypertension and heart failure. On the other hand, cardiovascular modalities such as echocardiography and cardiac magnetic resonance imaging are available in order to evaluate the myocardial wall systolic function. It’s known that these techniques may be time-consuming using advancing cardiovascular programmes. This thesis explores the role of artificial intelligence (AI) in the analysis and assessment of wall systolic performance. Moreover, the application of advanced machine learning and deep learning algorithms for automated cardiac image analysis and prediction of wall performance is examined, utilizing data from echocardiography, magnetic resonance imaging, and other imaging modalities. The research focuses on assessing the accuracy and usability of these algorithms compared to traditional methods, while examining the potential of AI to improve diagnostic accuracy, analysis speed, and personalized patient care. It also analyzes the challenges arising from the application of AI in the field of cardiology, such as training data, the need for large and diverse databases, and the ethical issues associated with the use of these technologies."],"dc:identifier":["uoadl:5295245","https://pergamos.lib.uoa.gr/uoa/dl/object/5295245"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ο ρόλος της τεχνητής νοημοσύνης (AI) στην μελέτη της τοιχωματικής συστολικής απόδοσης της αριστερής κοιλίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:53Z"}