Show simple item record

Aria App | LittleOne Edition, η έξυπνη εφαρμογή για τη δημιουργία και αξιολόγηση μοντέλων UNET σε εργασίες κατάτμησης των αγγείων του αμφιβληστροειδούς

dc.contributor.advisorAsvestas, Pantelis
dc.contributor.authorΡεζ, Ντάνιελ
dc.date.accessioned2023-09-29T08:31:37Z
dc.date.available2023-09-29T08:31:37Z
dc.date.issued2023-09-26
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/5177
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-5015
dc.description.abstractΗ ακριβής κατάτμηση των αγγείων του αμφιβληστροειδούς αποτελεί ζωτικό βήμα για πολλές ιατρικές εφαρμογές, καθώς χρησιμοποιείται ευρέως για την παρακολούθηση της εξέλιξης της υγείας και την αξιολόγηση διαφόρων οφθαλμολογικών ασθενειών. Ωστόσο, η παραδοσιακή χειροκίνητη κατάτμηση των αγγείων από εκπαιδευμένους ειδικούς απαιτεί πολύ χρόνο και είναι μια επαναλαμβανόμενη διαδικασία. Στην προσπάθεια να αυτοματοποιηθεί η διαδικασία αυτή, έχουν προταθεί πολλές προσεγγίσεις τα τελευταία χρόνια. Μία από τις πιο προηγμένες είναι η χρήση νευρωνικών δικτύων και της βαθιάς μάθησης. Στην ακόλουθη διπλωματική εργασία, εμπνευσμένοι από τα κατορθώματα της τεχνητής νοημοσύνης σε απαιτητικά προβλήματα computer vision, ταξινόμησης εικόνων, κ.α., παρουσιάζεται η εφαρμογή Aria App, LittleOne edition η οποία παρέχει ένα φιλικό προς τον χρήστη περιβάλλον, στο οποίο μπορεί να γίνει η προ-επεξεργασία των εικόνων, η δημιουργία, εκπαίδευση και αξιολόγηση ενός δικτύου. Μέσω της εφαρμογής, η αντιμετώπιση της πρόκλησης του εντοπισμού των αιμοφόρων αγγείων, γίνεται μέσω του δικτύου U-Net. Η ιδιαιτερότητα της αρχιτεκτονικής U-Net με το χαρακτηριστικό σχήμα “U”, ευνοεί την προκειμένη εφαρμογή, καθώς σε πρώτο επίπεδο «αναγνωρίζει» τι είναι ένα αγγείο, ενώ σε δεύτερο επίπεδο, «μαθαίνει» να το χαρτογραφεί, εκτελώντας με αυτό το τρόπο μια σημασιολογική κατάτμηση σε μια εικόνα. Για την αξιολόγηση και την εκπαίδευση του δικτύου, χρησιμοποιήθηκε το αποθετήριο εικόνων DRIVE, το οποίο αποτελείται από 40 εικόνες. Τα αποτελέσματα των πειραμάτων μέσω της εφαρμογής με μόλις 2 ώρες συνολικής εκπαίδευσης είναι συγκρίσιμα με σχετικές έρευνες των τελευταίων 5 ετών που εστιάζουν μόνο στην αξιολόγηση του δικτύου U-Net και εμφανίζονται ως εξής: Acc 0.949 Sens 0.932 Spec 0.951el
dc.format.extent179el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectΚατάτμησηel
dc.subjectΑιμοφόρρα αγγείαel
dc.subjectΟφθαλμόςel
dc.subjectΑμφιβληστροειδήςel
dc.subjectUNETel
dc.subjectU-NETel
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΒαθιά μάθησηel
dc.subjectΜηχανική μάθησηel
dc.subjectΙατρική εικόναel
dc.subjectSegmentationel
dc.subjectRetinal Vesselsel
dc.subjectEyeel
dc.subjectRetinael
dc.subjectNeural networksel
dc.subjectDeep learningel
dc.subjectMachine learningel
dc.subjectMedical Imagingel
dc.subjectDRIVEel
dc.subjectMedical image preprocessingel
dc.subjectMedical appel
dc.subjectAriaApp
dc.subjectLittleOne
dc.subjectCNN
dc.subjectArtificial intelligence
dc.titleAria App | LittleOne Edition, η έξυπνη εφαρμογή για τη δημιουργία και αξιολόγηση μοντέλων UNET σε εργασίες κατάτμησης των αγγείων του αμφιβληστροειδούςel
dc.title.alternativeAria App | LittleOne Edition, the smart app for building and evaluating UNET models on retinal vessel segmentation tasksel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeGlotsos, Dimitris
dc.contributor.committeeKostopoulos, Spiros
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιοϊατρικήςel
dc.contributor.masterΠροηγμένα Συστήματα & Μέθοδοι στη Βιοϊατρική Τεχνολογίαel
dc.description.abstracttranslatedThe precise segmentation of the vessels of the retina is a crucial step for various medical applications, as it is widely used for monitoring disease progression and evaluating various ophthalmological conditions. However, the traditional manual vessel segmentation by trained experts is a time-consuming and repetitive process. In an effort to automate this process, numerous approaches have been proposed in recent years. One of the most advanced, involves the use of neural networks and deep learning. In the following dissertation, inspired by the achievements of artificial intelligence in demanding computer vision tasks, image classification, and more, we present the Aria App, LittleOne edition. This application provides a user-friendly environment where image pre-processing, network creation, training, and evaluation can be performed. Through this application, addressing the challenge of identifying blood vessels is accomplished using the U-Net network. The unique architecture of U-Net, characterized by its 'U' shape, favours this particular application. In the initial stage, it 'recognizes' what constitutes a vessel, while in the subsequent stage, it 'learns' to map it, thus performing semantic segmentation on an image. For the evaluation and training of the network, the DRIVE image repository is used, which consists of 40 images in total. The results of the experiments performed through the app with just 2 hours of total training are comparable to related research papers in the last 5 years which focus on the evaluation of U-Net only and they appear as: Acc 0.949 Sens 0.932 Spec 0.951el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές