Development and optimization of AI models based on medical images
Φόρτωση...
Ημερομηνία
2026-03-03
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Περίληψη
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.
Ο καρκίνος του προστάτη και η καρδιοτοξικότητα που προκαλείται από την χημειοθεραπεία αποτελούν δύο κρίσιμα προβλήματα στην εξατομικευμένη ογκολογία: ο καρκίνος του προστάτη είναι ένας από τους συχνότερους καρκίνους στους άνδρες παγκοσμίως και η καρδιοτοξικότητα ως σοβαρή παρενέργεια της θεραπείας του καρκίνου του μαστού, η οποία επηρεάζει σημαντικά την έκβαση των ασθενών. Η Τεχνητή Νοημοσύνη (ΤΝ) προσφέρει υποσχόμενες λύσεις και για τα δύο προβλήματα ωστόσο, η εφαρμογή της περιορίζεται από την ετερογένεια των απεικονιστικών δεδομένων και την έλλειψη εξειδικευμένων μοντέλων βασισμένων σε υπερηχογραφήματα για την πρόβλεψη της καρδιοτοξικότητας. Η παρούσα διπλωματική εργασία αντιμετωπίζει αυτά τα κενά μέσω δύο συμπληρωματικών μελετών, χρησιμοποιώντας σύνολα δεδομένων από δύο ευρωπαϊκά έργα, τα ProCAncer-I και CARDIOCARE. Για την διαχείριση του καρκίνου του προστάτη, χρησιμοποιήθηκαν bi-parametric μαγνητικές τομογραφίες (T2W, ADC, DWI) για την εκπαίδευση τεσσάρων 3D μοντέλων βαθιάς μάθησης υπό διαφορετικές στρατηγικές ομογενοποίησης των δεδομένων, όπως z-score, mean, histogram normalization καθώς και τον συνδυασμό z-score και N4 bias field correction. Για την πρόβλεψη κινδύνου καρδιοτοξικότητας χρησιμοποιήθηκαν 3D βίντεο υπερηχογραφήματα από ασθενείς με καρκίνο του μαστού, χρησιμοποιώντας τις 3D αρχιτεκτονικές ResNet18 και I3D για την πρόβλεψη εμφάνισης καρδιοτοξικότητας εντός ενός έτους από την αρχική εξέταση. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών ομογενοποίησης στη βελτίωση της ικανότητας γενίκευσης των μοντέλων ΤΝ σε ετερογενή δεδομένα μαγνητικής τομογραφίας. Συγκεκριμένα, το μοντέλο ResNet18, στην διαχείριση του καρκίνου του προστάτη, εκπαιδευμένο σε εικόνες 24x192x192 που έχει εφαρμοστεί η histogram normalization τεχνική, πέτυχε AUC 71,28%, σε σύγκριση με 63,52% στα αρχικά (μη επεξεργασμένα) δεδομένα. Στην πρόβλεψη καρδιοτοξικότητας, το ResNet18 υπερίσχυσε των μοντέλων I3D και EchoNet (προ-εκπαιδευμένο μοντέλο), επιτυγχάνοντας μέσο AUC 64,52% χρησιμοποιώντας την προβολή A4C σε δεδομένα χαμηλής ανάλυσης (128x128). Συνολικά, τα ευρήματα αυτά υπογραμμίζουν την αξία της ομογενοποίησης για τα μοντέλα ΤΝ που χρησιμοποιούνται στον καρκίνο του προστάτη και αποδεικνύουν την δυνατότητα χρήσης μοντέλων βαθιάς μάθησης εκπαιδευμένα σε βίντεο υπερηχογραφήματα ως υποστηρικτικό εργαλείο για την παρακολούθηση της καρδιοτοξικότητας
Ο καρκίνος του προστάτη και η καρδιοτοξικότητα που προκαλείται από την χημειοθεραπεία αποτελούν δύο κρίσιμα προβλήματα στην εξατομικευμένη ογκολογία: ο καρκίνος του προστάτη είναι ένας από τους συχνότερους καρκίνους στους άνδρες παγκοσμίως και η καρδιοτοξικότητα ως σοβαρή παρενέργεια της θεραπείας του καρκίνου του μαστού, η οποία επηρεάζει σημαντικά την έκβαση των ασθενών. Η Τεχνητή Νοημοσύνη (ΤΝ) προσφέρει υποσχόμενες λύσεις και για τα δύο προβλήματα ωστόσο, η εφαρμογή της περιορίζεται από την ετερογένεια των απεικονιστικών δεδομένων και την έλλειψη εξειδικευμένων μοντέλων βασισμένων σε υπερηχογραφήματα για την πρόβλεψη της καρδιοτοξικότητας. Η παρούσα διπλωματική εργασία αντιμετωπίζει αυτά τα κενά μέσω δύο συμπληρωματικών μελετών, χρησιμοποιώντας σύνολα δεδομένων από δύο ευρωπαϊκά έργα, τα ProCAncer-I και CARDIOCARE. Για την διαχείριση του καρκίνου του προστάτη, χρησιμοποιήθηκαν bi-parametric μαγνητικές τομογραφίες (T2W, ADC, DWI) για την εκπαίδευση τεσσάρων 3D μοντέλων βαθιάς μάθησης υπό διαφορετικές στρατηγικές ομογενοποίησης των δεδομένων, όπως z-score, mean, histogram normalization καθώς και τον συνδυασμό z-score και N4 bias field correction. Για την πρόβλεψη κινδύνου καρδιοτοξικότητας χρησιμοποιήθηκαν 3D βίντεο υπερηχογραφήματα από ασθενείς με καρκίνο του μαστού, χρησιμοποιώντας τις 3D αρχιτεκτονικές ResNet18 και I3D για την πρόβλεψη εμφάνισης καρδιοτοξικότητας εντός ενός έτους από την αρχική εξέταση. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών ομογενοποίησης στη βελτίωση της ικανότητας γενίκευσης των μοντέλων ΤΝ σε ετερογενή δεδομένα μαγνητικής τομογραφίας. Συγκεκριμένα, το μοντέλο ResNet18, στην διαχείριση του καρκίνου του προστάτη, εκπαιδευμένο σε εικόνες 24x192x192 που έχει εφαρμοστεί η histogram normalization τεχνική, πέτυχε AUC 71,28%, σε σύγκριση με 63,52% στα αρχικά (μη επεξεργασμένα) δεδομένα. Στην πρόβλεψη καρδιοτοξικότητας, το ResNet18 υπερίσχυσε των μοντέλων I3D και EchoNet (προ-εκπαιδευμένο μοντέλο), επιτυγχάνοντας μέσο AUC 64,52% χρησιμοποιώντας την προβολή A4C σε δεδομένα χαμηλής ανάλυσης (128x128). Συνολικά, τα ευρήματα αυτά υπογραμμίζουν την αξία της ομογενοποίησης για τα μοντέλα ΤΝ που χρησιμοποιούνται στον καρκίνο του προστάτη και αποδεικνύουν την δυνατότητα χρήσης μοντέλων βαθιάς μάθησης εκπαιδευμένα σε βίντεο υπερηχογραφήματα ως υποστηρικτικό εργαλείο για την παρακολούθηση της καρδιοτοξικότητας
Περιγραφή
Λέξεις-κλειδιά
Prostate cancer, Breast cancer, Artificial intelligence, Cardiotoxicity, Medical images, Καρκίνος του προστάτη, Καρκίνος του μαστού, Τεχνητή Νοημοσύνη, Καρδιοτοξικότητα, Ιατρικές εικόνες