Ταξινόμηση εικόνων μαγνητικής τομογραφίας εγκεφάλου στη σταδιοποίηση της νόσου Αλτσχάιμερ
Classification of brain MRI images in Alzheimer’s disease staging
Λέξεις-κλειδιά
Επεξεργασία ιατρικής εικόνας ; Μαγνητική τομογραφία ; Εγκέφαλος ; Νόσος Αλτσχάιμερ ; Άνοια ; Ταξινόμηση εικόνωνΠερίληψη
Σκοπός της παρούσας διπλωματικής εργασίας είναι η επεξεργασία και η ταξινόμηση
εικόνων Μαγνητικής Τομογραφίας εγκεφάλου σε στάδια άνοιας τύπου Αλτσχάιμερ.
Χρησιμοποιήθηκαν 5121 εικόνες MRI από το ελεύθερα διαθέσιμο αποθετήριο Kaggle.
Οι εικόνες είναι χωρισμένες σε κατηγορίες Non-Demented (2560), Very Mild Demented
(1792), Mild Demented (717) και Moderate Demented (52).
Τα δεδομένα επεξεργάστηκαν σε περιβάλλον Python με χρήση των NumPy,
Μatplotlib, SciPy, Scikit-image βιβλιοθηκών. Πραγματοποιήθηκε εξαγωγή δεκαεπτά (17)
χαρακτηριστικών υφής πρώτης και δεύτερης τάξης από την περιοχή του εγκεφάλου.
Χρησιμοποιήθηκε ο Kruskal Wallis μη παραμετρικός έλεγχος υπόθεσης για την μελέτη
της ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ των κατηγοριών. Επίσης,
δοκιμάστηκε εποπτευομένη μάθηση για την ταξινόμηση παθολογικών και μη
παθολογικών εικόνων με χρήση των ταξινομητών Πλησιέστερου Γείτονα (kNN) και
Μηχανών Διανυσμάτων Στήριξης (SVM).
Βρέθηκε ότι δεκατέσσερα (14) χαρακτηριστικά παρουσίασαν στατιστικά σημαντική
διαφορά (p<0.001) μεταξύ των κατηγοριών. Στα δεδομένα ελέγχου επιτεύχθηκε ολική
ακρίβεια της τάξης του 88% στην ταξινόμηση παθολογικών και μη παθολογικών
εικόνων.
Η μελέτη χαρακτηριστικών υφής από όλη την περιοχή του εγκεφάλου μπορεί να
προσφέρει ποσοτική πληροφορία στην ταξινόμηση εικόνων MRI για τη μελέτη της
άνοιας
Περίληψη
The objective of this thesis is the processing and classification of brain MRI images
with Alzheimer's type dementia. 5121 MRI images from open source Kaggle repository
were used. Images are divided into Non-Demented (2560), Very Mild Demented (1792),
Mild Demented (717) και Moderate Demented (52).
Data were processed on Python environment using NumPy, Μatplotlib, SciPy, Scikitimage libraries. Seventeen (17) first and second order texture features were extracted
from brain region. The Kruskal Wallis nonparametric test was used for researching the
existence of statistical difference between the categories. Also, supervised machine
learning was tried using nearest neighbors (kNN) and support vector machines (SVM)
classifiers.
It was found that fourteen (14) features show statistically significant difference
(p<0.0001) between the classes. On test data, 88% accuracy was accomplished on the
classification of pathological and non-pathological images.
The study of textural features from the whole brain region can offer quantitative
information for the classification of brain MRI images on dementia research.
Αριθμός σελίδων
56Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών ΒιοϊατρικήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές