Πλοήγηση ανά Συγγραφέας "Oikonomou, Nikolaos"

Τώρα δείχνει 1 - 2 of 2
  • Δεν υπάρχει διαθέσιμη μικρογραφία
    Τεκμήριο
    Development and optimization of AI models based on medical images
    (ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής, 2026-03-03) Oikonomou, Nikolaos; Οικονόμου, Νικόλαος; Marias, Konstantinos; Μαριάς, Κωνσταντίνος
    Prostate cancer (PCa) and therapy-induced cardiac toxicity represent two critical challenges in precision oncology: the former as one of the most frequent male cancers worldwide and the latter as severe side effect of breast cancer treatment that significantly impacts patient outcomes. Artificial Intelligence (AI) offers promising solutions to both problems, however its adoption is limited by heterogeneous imaging data and the lack of dedicated echocardiographic-based models for cardiotoxicity prediction. This master’s thesis addresses these gaps through two complementary studies using datasets from the EU-funded ProCAncer-i and CARDIOCARE projects. For PCa management, bi-parametric MRI scans (T2W, ADC, DWI) were employed to train four 3D deep learning models under different harmonization strategies, including z-score, mean and histogram normalization and the combination of z-score and N4 bias field correction. For the cardiotoxicity risk prediction, 3D echocardiographic videos acquired from breast cancer patients were employed, using 3D ResNet18 and I3D architectures to predict cardiotoxicity occurrence within one year of the baseline examination. The results show the significance of harmonization techniques in enhancing AI models generalization ability on heterogeneous MRI data. Specifically, in PCa management, ResNet18 trained on histogram-normalized 24x192x192 MR images, achieved an AUC of 71.28%, compared to 63.52% with raw data. In cardiotoxicity risk prediction, ResNet18 outperformed I3D and EchoNet pre-trained models, achieving a mean AUC of 64.52% using the A4C view at low resolution data. Taken together, these findings highlight the value of harmonization for PCa AI models and demonstrate the feasibility of video-based deep learning models as a supportive tool for cardiotoxicity monitoring.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Πολυ-ομική ανάλυση γενομικών δεδομένων για την κατηγοριοποίηση δειγμάτων γλοιοβλαστώματος.
    (ΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2023-05-10) Οικονόμου, Νικόλαος; Oikonomou, Nikolaos
    Η ομαδοποίηση μεμονωμένων ομικών συνόλων δεδομένων έχει αποδειχθεί ανεκτίμητη για τη βιολογική και ιατρική έρευνα. Το μειούμενο κόστος και η ανάπτυξη μεθόδων αλληλούχισης νέας γενιάς (NGS) επιτρέπουν πλέον τη μέτρηση πολύ-ομικών δεδομένων. Η ομαδοποίηση πολλαπλών ομικών δεδομένων έχει τη δυνατότητα να αποκαλύψει περαιτέρω γνώσεις σε επίπεδο συστήματος, αλλά εγείρει υπολογιστικές και βιολογικές προκλήσεις. Η παρούσα πτυχιακή εξετάζει αλγορίθμους για ομαδοποίηση πολλαπλών ομικών δεδομένων καθώς και μεθοδολογίες από την περιοχή της μηχανικής μάθησης για την κοινή ομαδοποίηση πολλαπλών τύπων δεδομένων. Το πρώτο μέρος της εν λόγω μελέτης ασχολείται με την περιγραφή του γλοιοβλαστώματος ως καρκινικός τύπος και περιλαμβάνει έννοιες από το πεδίο της βιολογίας οι οποίες κρίνονται σημαντικές. Στη συνέχεια, γίνεται αναφορά στο πεδίο της μηχανικής μάθησης αναλύοντας κατηγορίες αλγορίθμων όπως για παράδειγμα επιτηρούμενη μάθηση, μη επιτηρούμενη μάθηση, ενισχυτική μάθηση και παρουσιάζει εφαρμογές της μηχανικής μάθησης στην σημερινή εποχή. Πέρα των προαναφερθέντων εννοιών, γίνεται παρουσίαση των αποτελεσμάτων των αλγορίθμων και των τεχνικών που χρησιμοποιήθηκαν όπως για παράδειγμα η χρήση του αλγορίθμου SMOTE και τα τελικά συμπεράσματα που προέκυψαν. Πιο συγκεκριμένα, χρησιμοποιήθηκαν οι αλγόριθμοι μηχανικής μάθησης SVM και Decision Tree σε ομικά δεδομένα, Gene expression, DNA Methylation, miRNA και κλινικά δεδομένα που αντλήθηκαν από τη γενομική βάση TCGA και αφορούν ασθενείς με γλοιοβλάστωμα. Έγινε η απαραίτητη προ-επεξεργασία των δεδομένων και οι ασθενείς κατηγοριοποιήθηκαν βάση της κατάστασης τους (εν ζωή ή αποθανών). Να σημειωθεί ότι έγινε χρήση του αλγορίθμου υπερδειγματοληψίας SMOTE καθώς τα των δεδομένων ήταν ανισόρροπο. Εφαρμόστηκαν τα μοντέλα σε κάθε ομικό σύνολο ξεχωριστά και στην ενοποιημένη αναπαράσταση που προέκυψε από την χρήση της στρατηγικής για πολύ-ομικα δεδομένα, early integration. Προέκυψε ότι, η εν λόγω στρατηγική έδωσε καλύτερα αποτελέσματα συγκριτικά με την ανάλυση κάθε ομικού επιπέδου ξεχωριστά δίνοντας ως αποτέλεσμα στο δέντρο απόφασης χαρακτηριστικά από όλα τα ομικά επίπεδα. Ειδικότερα, ο αλγόριθμος SVM παρουσίασε ακρίβεια 88.23% και ο Decision Tree 72,54%. Τέλος, η εν λόγω στρατηγική χρησιμοποιήθηκε και σε άλλα καρκινικά δεδομένα, ώστε να φανεί η αποτελεσματικότητα της και σε άλλα δεδομένα πέρα του γλοιοβλαστώματος.