Εφαρμογές Τεχνητής Νοημοσύνης στην Ακτινολογία

Τσιότσιος, Χρήστος

dc.contributor.advisor	Παπαβασιλείου, Περικλής
dc.contributor.author	Τσιότσιος, Χρήστος
dc.date.accessioned	2022-12-14T08:56:21Z
dc.date.available	2022-12-14T08:56:21Z
dc.date.issued	2022-11-15
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/3495
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-3335
dc.description.abstract	Η Τεχνητή Νοημοσύνη (ΤΝ) τυπικά ορίζεται ως η ικανότητα των υπολογιστών να μιμούνται τις ανθρώπινες γνωστικές ικανότητες, όπως είναι η μάθηση, η αναγνώριση προτύπων και η επίλυση προβλημάτων. Η ΤΝ έχει κεντρίσει το ενδιαφέρον της επιστημονικής κοινότητας τα τελευταία χρόνια, με τις εφαρμογές της να εκτείνονται από την καθημερινότητα (π.χ. διαδικτυακές αναζητήσεις, ψηφιακοί βοηθοί κτλ.) έως και όλο το φάσμα της ιατρικής (ακτινολογία, παθολογία, οφθαλμολογία κτλ.). Στην Ακτινολογία, πιο συγκεκριμένα, οι εφαρμογές της ΤΝ αυξάνονται συνεχώς συμβάλλοντας στην επίλυση προβλημάτων της καθημερινής κλινικής πράξης, καθώς και στη βελτίωση της διαγνωστικής ακριβείας των απεικονιστικών δεδομένων. Η εφαρμογή αλγορίθμων μηχανικής ή βαθιάς μάθησης μπορεί να βοηθήσει σε αρκετές χρονοβόρες και περίπλοκες διαδικασίες όπως η ανίχνευση και η διάγνωση της παθολογίας (π.χ. ανίχνευση νόσου COVID-19 σε απλή ακτινογραφία θώρακα), η παρακολούθηση της ανταπόκρισης στην θεραπεία και η πρόγνωση (π.χ. σε ογκολογικούς ασθενείς μετά από ακτινοθεραπεία ή/και χημειοθεραπεία). Επίσης, η ΤΝ μπορεί να βοηθήσει στην μείωση της δόσης που λαμβάνει ο ασθενής σε εξετάσεις Υπολογιστικής Τομογραφίας (μέσω ορθής τοποθέτησης, παραμετροποίησης και βελτιστοποίησης της ανακατασκευής της εικόνας), στην βελτίωση της ποιότητας εικόνας ή/και στην μείωση του χρόνου σάρωσης σε εξετάσεις Μαγνητικής Τομογραφίας και Πυρηνικής Ιατρικής, καθώς και στην ελαχιστοποίηση της χρησιμοποιούμενης σκιαγραφικής δόσης. Οι Τεχνολόγοι Ακτινολογίας – Ακτινοθεραπείας, οι Ιατροί Ακτινολόγοι και οι Ιατροφυσικοί οφείλουν να γνωρίζουν τις βασικές έννοιες και τις εφαρμογές της ΤΝ, με σκοπό την ομαλή μετάβαση τους σε μια εποχή με νέα δεδομένα και απαιτήσεις.	el
dc.format.extent	116	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	Artificial intelligence	el
dc.subject	Machine learning	el
dc.subject	Deep learning	el
dc.subject	Radiology	el
dc.subject	Radiomics	el
dc.title	Εφαρμογές Τεχνητής Νοημοσύνης στην Ακτινολογία	el
dc.title.alternative	Applications of Artificial Intelligence in Radiology	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Οικονόμου, Γεωργία
dc.contributor.committee	Bakas, Athanasios
dc.contributor.faculty	Σχολή Επιστημών Υγείας & Πρόνοιας	el
dc.contributor.department	Τμήμα Βιοϊατρικών Επιστημών	el
dc.contributor.master	Σύγχρονες Εφαρμογές στην Ιατρική Απεικόνιση	el
dc.description.abstracttranslated	Artificial Intelligence (AI) refers to computer systems and machines that mimic human cognitive abilities, such as learning, pattern recognition and problem solving. AI has attracted the interest of the scientific community in recent years, with its applications extending from everyday life (e.g. online searches, digital assistants, etc.) to the entire spectrum of medicine (radiology, pathology, ophthalmology, etc.). Specifically, the applications of AI in Radiology are constantly increasing, contributing to solving problems of clinical practice, as well as improving the diagnostic accuracy of imaging data. The application of machine learning or deep learning algorithms can assist in several time-consuming and complex processes such as detection and diagnosis of pathology (e.g. detection of COVID-19 disease in a plain chest X-ray), monitoring of treatment response and prognosis (e.g. in oncological patients after radiotherapy and/or chemotherapy). Also, AI can help reduce radiation dose in CT examinations (through proper patient positioning, parameters optimization and image reconstruction), improve image quality and/or reduce scan time in MRI and Nuclear Medicine examinations, as well as minimizing the contrast dose used. Radiographers, Radiologists and Medical Physicists must know the basic principles and applications and learn to work with AI, embracing it and maximising the positive outcomes from this new technology, in order to provide a better patient care.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: TSIOTSIOS_20027.pdf
Μέγεθος:: 5.219Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Μεταπτυχιακές διπλωματικές εργασίες - Σύγχρονες Εφαρμογές στην Ιατρική Απεικόνιση
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Σύγχρονες Εφαρμογές στην Ιατρική Απεικόνιση

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