Πλοήγηση ανά Συγγραφέας "Stylianidis Ioannis"

Τώρα δείχνει 1 - 1 of 1
  • Δεν υπάρχει διαθέσιμη μικρογραφία
    Τεκμήριο
    Ανάπτυξη και Σύγκριση Μεθοδολογιών Μηχανικής Μάθησης για την Αυτόματη Ανίχνευση Πολύποδων του Παχέος Εντέρου από Ενδοσκοπικές Εικόνες.
    (ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρονικών Μηχανικών, 2026-04-17) Στυλιανίδης Ιωάννης; Stylianidis Ioannis; Μπακλέζος Ανάργυρος; Baklezos Anargyros
    Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη, αξιολόγηση και σύγκριση μεθοδολογιών μηχανικής και βαθιάς μάθησης για την αυτόματη ανίχνευση πολυπόδων του παχέος εντέρου από ενδοσκοπικές εικόνες. Στόχος είναι η δημιουργία ενός αξιόπιστου συστήματος υποβοήθησης διαγνώσεων (CAD) ικανό να ενισχύσει την ακρίβεια των κολονοσκοπήσεων, να μειώσει το ποσοστό παράλειψης πολυπόδων και να συμβάλει αποτελεσματικά στην πρόληψη του καρκίνου του παχέος εντέρου, ο οποίος παραμένει μια από τις κύριες αιτίες θανάτου παγκοσμίως. Αρχικά παρουσιάζεται το κλινικό και επιδημιολογικό υπόβαθρο των πολυπόδων, αναλύονται οι υφιστάμενες τεχνικές τεχνητής νοημοσύνης στο πεδίο της ιατρικής απεικόνισης και τα διαθέσιμα σύνολα δεδομένων. Στη συνέχεια, εξετάζονται βασικές αρχιτεκτονικές βαθιάς μάθησης, με ιδιαίτερη έμφαση στα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) και τη στρατηγική της μεταφορά μάθησης. Για την υλοποίηση του συστήματος, επιλέχθηκε η αποδοτική αρχιτεκτονική EfficientNetB3, η οποία προσαρμόστηκε και βελτιστοποιήθηκε μέσω fine-tuning σε ένα ευρύ σύνολο δεδομένων πραγματικών κολονοσκοπικών εικόνων από το σύνολο δεδομένων REAL-colon. Η μεθοδολογία περιλαμβάνει σχολαστική προεπεξεργασία, επαύξηση δεδομένων (data augmentation) και στρατηγικές για τη διαχείριση της έντονης ανισορροπίας μεταξύ θετικών και αρνητικών καρέ. Το τελικό μοντέλο αξιολογήθηκε σε ανεξάρτητο σύνολο ελέγχου, επιδεικνύοντας ανώτερη απόδοση με ακρίβεια (accuracy) 91,4%, ευαισθησία (recall) 92,3%, ακρίβεια προβλέψεων (precision) 89,6% και F1-score 90,9%. Η καμπύλη ROC (AUC=0,945) επιβεβαίωσε την υψηλή διακριτική ικανότητα του συστήματος. Επιπλέον, με την εφαρμογή της τεχνικής GradCAM, παρέχεται οπτική επισήμανση των περιοχών της εικόνας που επηρέασαν κρίσιμα την πρόβλεψη του μοντέλου, προσφέροντας ένα επίπεδο διαφάνειας και ερμηνευσιμότητας (Explainable AI). Η εργασία ολοκληρώνεται με την αναγνώριση περιορισμών και με προτάσεις για μελλοντική έρευνα, συμπεριλαμβανομένης της χρήσης πιο εξελιγμένων αρχιτεκτονικών (π.χ., transformers) και της ενσωμάτωσης χρονικής πληροφορίας από ακολουθίες βίντεο. Το προτεινόμενο σύστημα αποτελεί ένα ισχυρό θεμέλιο για την ανάπτυξη κλινικά χρήσιμων εργαλείων που θα υποστηρίξουν τους ενδοσκόπους στην επίτευξη υψηλότερων ποσοστών ανίχνευσης και, εν τέλει, στην αποτελεσματικότερη πρόληψη του καρκίνου του παχέος εντέρου.