Αυτόματη κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ψηφιακή ακτινολογική απεικόνιση και σύγχρονες τεχνικές μηχανικής μάθησης
Automatic classification of COVID-19 pneumonia severity using digital radiological imaging and advanced machine learning techniques
Λέξεις-κλειδιά
Πνευμονία COVID-19 ; Μηχανική μάθηση ; Radiomics ; Ακτινογραφίες θώρακος ; Τμηματοποίηση εικόναςΠερίληψη
Η πανδημία COVID-19 έχει δημιουργήσει σημαντικές προκλήσεις στον τομέα της υγειονομικής περίθαλψης, ιδίως στην ακριβή διάγνωση και κατηγοριοποίηση της σοβαρότητας της πνευμονίας που προκαλείται από τον ιό. Αυτή η διπλωματική εργασία παρουσιάζει μια αυτοματοποιημένη προσέγγιση για την κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ακτινογραφίες θώρακος και τεχνικές μηχανικής μάθησης. Χρησιμοποιήθηκαν δύο σύνολα δεδομένων: το πρώτο σύνολο βασίστηκε στη μέθοδο κατωφλίωσης του για τη δημιουργία μασκών και το δεύτερο σύνολο περιλάμβανε χειροκίνητη τμηματοποίηση των πνευμόνων. Χρησιμοποιώντας τις δυαδικές μάσκες εξάχθηκαν τα χαρακτηριστικά radiomics. Εφαρμόστηκαν τεχνικές επιλογής και μείωσης χαρακτηριστικών όπως η Ανάλυση Κυρίων Συνιστωσών (PCA), η Επαναλαμβανόμενη Αποβολή Χαρακτηριστικών (RFE) και η ανάλυση συσχέτισης. Υλοποιήθηκαν αρκετοί αλγόριθμοι μηχανικής μάθησης, όπως Υποστηρικτικές Μηχανές Διανυσμάτων (SVM), Τυχαία Δάση (Random Forests), Λογιστική Παλινδρόμηση, Δέντρα Απόφασης (CART),Ταξινομητής Ελάχιστης Απόστασης (MDC), Ταξινομητής Bayes,Ανάλυση Γραμμικού Διαχωρισμού (LDA) και Perceptron.
Τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας cross-validation και στατιστική ανάλυση για τον εντοπισμό των πιο σχετικών χαρακτηριστικών και της απόδοσης κάθε ταξινομητή. Τα αποτελέσματα ανέδειξαν συγκεκριμένα χαρακτηριστικά, όπως RunLengthNonUniformity, Eνέργεια, CusterProminence, Entropy τα οποία είναι κρίσιμα για τη διάκριση μεταξύ υγιών ατόμων και ασθενών με COVID-19. Τα ευρήματα υποδεικνύουν ότι τα μοντέλα μπορούν να προσφέρουν πολύτιμες πληροφορίες για τη λήψη κλινικών αποφάσεων σχετικά με την εκτίμηση της σοβαρότητας της COVID-19.
Αυτή η εργασία επιδεικνύει το δυναμικό της ενσωμάτωσης της ραδιομικής ανάλυσης και της μηχανικής μάθησης για τη βελτίωση της διαγνωστικής ακρίβειας στην ιατρική απεικόνιση και παρέχει ένα πλαίσιο για μελλοντικές μελέτες στην αυτόματη κατηγοριοποίηση ασθενειών μέσω ψηφιακής ακτινογραφίας.
Περίληψη
The COVID-19 pandemic has posed significant challenges in healthcare, especially in the accurate diagnosis and severity classification of pneumonia caused by the virus. This thesis presents an automated approach for classifying the severity of COVID-19 pneumonia using chest X-rays and machine learning techniques. Two datasets were utilized: the first set used thresholding to create masks, and the second set involved manual segmentation of lung regions. Radiomic features were extracted from the masked regions to quantify texture and intensity variations.
To reduce dimensionality and improve model performance, feature selection techniques such as Principal Component Analysis (PCA), Recursive Feature Elimination (RFE), and correlation analysis were applied. Several machine learning algorithms were implemented, including Support Vector Machines (SVM), Random Forests, Logistic Regression, Decision Trees (CART), Minimum Distance Classifier (MDC), Bayesian Classifier, Linear Discriminant Analysis (LDA), and Perceptron.
The models were evaluated using cross-validation and statistical analysis to identify the most relevant features and the performance of each classifier. The results highlight specific radiomic features, such as run-length non-uniformity, energy,ClusterProminence and Entropy which are critical in distinguishing between healthy controls and COVID-19 patients. The findings suggest the models can provide valuable insights for clinical decision-making in COVID-19 severity assessment.
This work demonstrates the potential of integrating radiomics and machine learning for improving diagnostic accuracy in medical imaging and provides a framework for future studies in automatic disease classification using digital radiography.
Αριθμός σελίδων
81Σχολή
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