Papadourakis, GeorgiosΠαπαδουράκης, ΓεώργιοςXirogianni, MarielenaΞηρογιάννη, Μαριέλενα2024-06-212024-06-212024-06-21https://apothesis.hmu.gr/handle/123456789/11004Thesis is research to find a solution how can extract information from OCT-A medical images using deep learning and machine models. OCT -A describe medical information, anatomical features of retina area. OCT-A two-dimensional images in grayscale to used medical information about the diabetes condition of patients’ eyes are AngioPlex OCT angiography from ZEISS medical devices OCT imaging of retinal microvasculature. AngioPlex OCT angiography is a product from a 3D image OCT volume and each one for four difference OCT-A images descried a level from the original OCT in 2D images. Intelligent artificial model with deep learning and machine learning model that recognition from medical images or recognized medical opinions is a step for that. Split the problem in three different parts. First part using medical images with pretrain models to recognize VASC Score as result the negative and positive diabetic condition of patients’ eyes as state of art EffienceNet model the most efficient pretrain model statically with less medical data. The second part is to explore and create medical data to train models for segmentation as result to extract information about Faz and verses. In the second part implement a research in publishes reach articles and medical official certified medical online libraries to collect information how can use them. The formula to extract the biomarkers is not open or clear how extracted is a part that the medical company Zessis have without publish. For our experiment have available a dataset from 400 patients with the information of biomarkers in a excel. The third part is to explore the dataset and organize it for machine learning experiments. Numerical data limitation requires needs statistical data of patients and biomarkers to investigate training experiments of parallel correlation of biomarkers with medical images with more than one parameter of positive or negative diabetes outcome.Η διπλωματική εργασία είναι έρευνα για την επίλυση να εξάγουμε αναγνωριστικές ιατρικές πληροφορίες από ιατρικές εικόνες OCT-A χρησιμοποιώντας μοντέλα deep learning και machine learning. OCT-A ιατρικές εικόνες περιγράφουν , ανατομικά χαρακτηριστικά της περιοχής του αμφιβληστροειδούς και προέρχονται από OCT τρισδιάστατες ιατρικές εικόνες. OCT-Α είναι μια δισδιάστατη μορφή ιατρικών εικόνων σε κλίμακα του γκρι να χρησιμοποιούνται για ένα από τα τέσσερα διαφορετικά επίπεδα της αρχικής τρισδιάστατης. Αναπτύσσουμε τη διπλωματική σχετικά με την κατάσταση του διαβήτη των ματιών των ασθενών χρησιμοποιώντας αυτές τις ψηφιακές εικόνες όπου ονομάζονται αλλιώς AngioPlex OCT παραγόμενες από ZEISS ιατρικές συσκευές της αντίστοιχης εταιρείας . Το EffienceNet μοντέλο βαθιάς μάθησης και μηχανικής μάθησης αχρησιμοποίητε για πειράματα αναγνώριση του θετικού ή αρνητικού διαβήτη του αμφιστροειδους μελετώντας τα αποτελέσματα σε σχέση με τις εισόδους και τη διαλογή της βάσης δεδομένων 400 ασθενών καθώς επίσης και για πειράματα με αντίστοιχα μοντέλα βαθιάς μάθησης με τα οποία ερευνούμε την εξαγωγή στοιχείων χρήσιμα για τα ιατρικά πορίσματα. Διαχωρίζουμε το πρόβλημα σε τρία διαφορετικά μέρη. Πρώτο μέρος χρησιμοποιώντας ιατρικές εικόνες με μοντέλα προ εκπαιδευμένα για την αναγνώριση της βαθμολογίας VASC του διαβήτη με αρνητική ή θετική διαβητική κατάσταση των ματιών των ασθενών. χρησιμοποιούμε το μοντέλο τελευταίας τεχνολογίας EffienceNet . Το δεύτερο μέρος είναι να διερευνήσει και να δημιουργήσει ιατρικά δεδομένα για την εκπαίδευση μοντέλων για την τμηματοποιήση (segmentation) ως αποτελέσματα για την εξαγωγή πληροφοριών σχετικά με το FAZ και τους και τις μικρές φλέβες του αμφιστροειδους επίσης υλοποιείται έρευνα σε άρθρα δημοσιεύσεων και ιατρικές επίσημες πιστοποιημένες ιατρικές ηλεκτρονικές βιβλιοθήκες για τη συλλογή πληροφοριών σχετικά με τον τρόπο χρήσης τους. Ο τύπος για την εξαγωγή των βιοδεικτών δεν είναι ανοιχτός ή σαφής πώς εξάγεται είναι ένα μέρος που η Ιατρική Εταιρεία Zessis έχει χωρίς δημοσίευση. Για το πείραμά μας διαθέτουμε ένα σύνολο δεδομένων από 400 ασθενείς με τις πληροφορίες των βιοδεικτών σε ένα excel. Το τρίτο μέρος είναι να εξερευνήσετε το σύνολο δεδομένων και να το οργανώσετε για πειράματα μηχανικής μάθησης. Ο περιορισμός των δεδομένων απαιτεί εξερεύνηση στατιστικά δεδομένα ασθενών και των ιατρικών αποτελεσμάτων τους ώστε να οργανωθεί η ιατρική βάση δεδομένων για τη διερεύνηση πειραμάτων συσχέτισης βιοδεικτών με τις ιατρικές εικόνες για περισσότερες από μία παραμέτρους θετικής ή αρνητικής έκβασης του διαβήτη.enAttribution-NonCommercial-NoDerivs 3.0 United Statesmachine learningdeep learningmedical imageimage segmentationdiabetic retinopathyμηχανική μάθησηβαθιά μάθησηιατρική εικόνακατάτμηση εικόναςδιαβητική αμφιβληστροειδοπάθειαΜεταπτυχιακή Διατριβή