Αυτόματη κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ψηφιακή ακτινολογική απεικόνιση και σύγχρονες τεχνικές μηχανικής μάθησης

Παπαδόπουλος, Νέστορας

dc.contributor.advisor	Athanasiadis, Emmanouil
dc.contributor.author	Παπαδόπουλος, Νέστορας
dc.date.accessioned	2024-12-03T10:14:24Z
dc.date.available	2024-12-03T10:14:24Z
dc.date.issued	2024-12-02
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/8133
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7962
dc.description.abstract	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.	el
dc.format.extent	81	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Πνευμονία COVID-19	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Radiomics	el
dc.subject	Ακτινογραφίες θώρακος	el
dc.subject	Τμηματοποίηση εικόνας	el
dc.title	Αυτόματη κατηγοριοποίηση της σοβαρότητας της πνευμονίας COVID-19 χρησιμοποιώντας ψηφιακή ακτινολογική απεικόνιση και σύγχρονες τεχνικές μηχανικής μάθησης	el
dc.title.alternative	Automatic classification of COVID-19 pneumonia severity using digital radiological imaging and advanced machine learning techniques	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Kostopoulos, Spiros
dc.contributor.committee	Glotsos, Dimitris
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιοϊατρικής	el
dc.description.abstracttranslated	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.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: bme_19388116.pdf
Μέγεθος:: 6.500Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιοϊατρικής

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές