Σύστημα ανίχνευσης γλοιοβλαστωμάτων σε εικόνες μαγνητικού συντονισμού με τεχνικές μηχανικής μάθησης

Abstract

Η παρούσα διπλωματική εργασία εξετάζει την κατηγοριοποίηση των όγκων του Κεντρικού Νευρικού Συστήματος (ΚΝΣ), με ιδιαίτερη έμφαση στα γλοιώματα και το γλοιοβλάστωμα, τον πιο επιθετικό όγκο του ΚΝΣ. Παρουσιάζονται οι τελευταίες ταξινομήσεις και οι κατευθυντήριες γραμμές του Παγκόσμιου Οργανισμού Υγείας (ΠΟΥ) σχετικά με την κατηγοριοποίηση των όγκων και των νεοπλασιών του ΚΝΣ. Ιδιαίτερη έμφαση δίνεται στη συμβολή της μηχανικής μάθησης στην πρόγνωση, διάγνωση και θεραπεία του καρκίνου μέσω της ανάπτυξης συστημάτων υποστήριξης κλινικών αποφάσεων. Ο κύριος στόχος της εργασίας είναι η ανάπτυξη ενός συστήματος στο περιβάλλον MATLAB για τον διαχωρισμό των περιοχών γλοιοβλαστώματος από τον φυσιολογικό εγκεφαλικό ιστό σε εικόνες MRI, αξιοποιώντας τεχνικές μηχανικής μάθησης. Η μεθοδολογία περιλαμβάνει την εξαγωγή ακτινομικών χαρακτηριστικών από ένα σύνολο 192 εικόνων MRI, το οποίο αποκτήθηκε από την ελεύθερη βάση δεδομένων The Cancer Imaging Archive (TCIA). Επιπλέον, εφαρμόζονται τεχνικές μείωσης χαρακτηριστικών και διαστάσεων, με στόχο την επίτευξη της βέλτιστης ισορροπίας μεταξύ της διατήρησης διαγνωστικής πληροφορίας και της απόδοσης του συστήματος. Τα αποτελέσματα ήταν ιδιαίτερα ενθαρρυντικά, με την ακρίβεια του συστήματος να αγγίζει περίπου το 95% και το F1-score να φτάνει το 92%. Αυτές οι επιδόσεις υποδεικνύουν ότι το σύστημα μπορεί να διακρίνει με αξιοπιστία τους καρκινικούς ιστούς από τους φυσιολογικούς, γεγονός που αναδεικνύει τη δυναμική των τεχνικών μηχανικής μάθησης στη βελτίωση της διαγνωστικής ακρίβειας. Συμπερασματικά, η εργασία επιβεβαιώνει τη χρησιμότητα των τεχνικών μηχανικής μάθησης στην ανάπτυξη και τη βελτιστοποίηση συστημάτων υποστήριξης απόφασης στην ογκολογία, ενισχύοντας την ακριβέστερη διάγνωση και την εξατομικευμένη θεραπεία.