Artificial intelligence algorithms in the digital processing of biomedical images
Αλγόριθμοι τεχνητής νοημοσύνης στην ψηφιακή επεξεργασία βιοϊατρικών εικόνων
![Thumbnail](/xmlui/bitstream/handle/11400/4168/Diploma_Thesis_Alexopoulos_Nikolaos_06503_final_signed_ALL.pdf.jpg?sequence=4&isAllowed=y)
Διπλωματική εργασία
Συγγραφέας
Αλεξόπουλος, Νικόλαος
Ημερομηνία
2023-03-10Επιβλέπων
Rangoussi, MariaΛέξεις-κλειδιά
Biomedical images ; Digital image processing ; Neural networks ; Machine learning ; Deep learning ; Image classification ; Βιοϊατρικές εικόνες ; Συνελικτικά νευρωνικά δίκτυα ; Ψηφιακή επεξεργασία εικόνας ; Νευρωνικά δίκτυα ; Μηχανική μάθηση ; Βαθιά μάθηση ; Ταξινόμηση εικόνων ; Convolutional neural networkΠερίληψη
Artificial intelligence has revolutionized the way we process and analyze data, including biomedical images. The present thesis investigates the application of convolutional neural networks (CNNs) for the classification of MRI brain scans, a crucial task in the medical diagnosis profession from brain images. The thesis is experimental; it comparatively evaluates the performance of two state-of-the-art CNN architectures, EfficientNetB0 and ResNet18, on a dataset of MRI brain scans. The results show that the EfficientNetB0 architecture outperforms the ResNet18 architecture in terms of accuracy and efficiency, demonstrating the potential of machine learning techniques for biomedical classification of images. The findings of this study provide useful insights into the capabilities and limitations of artificial intelligence algorithms for the digital processing of biomedical images. The results demonstrate the potential of machine learning methods to enhance the precision and efficiency of automated biomedical image classification, which has important implications for the early detection and diagnosis of brain damages. Additionally, the study highlights the importance of selecting the appropriate CNN architectures for the given task, as well as the need for large and diversified datasets to improve the generalizability of the results.
Περίληψη
Η τεχνητή νοημοσύνη έχει καινοτομήσει στον τρόπο που επεξεργαζόμαστε και αναλύουμε δεδομένα και ψηφιακό περιεχόμενο εν γένει, συμπεριλαμβανομένων και των βιοϊατρικών εικόνων. Στην παρούσα διπλωματική εργασία εξετάζεται η χρήση συνελικτικών νευρωνικών δικτύων (Convolutional Neural Networks, CNN) για την κατηγοριοποίηση μαγνητικών τομογραφιών εγκεφάλου, μιας σημαντικής διαδικασίας στο χώρο της ιατρικής διάγνωσης. Η έρευνα είναι πειραματική και εκτιμά συγκριτικά την απόδοση δύο σύγχρονων αρχιτεκτονικών CNN, του EfficientNetB0 και του ResNet18, σε ένα σύνολο δεδομένων από μαγνητικές τομογραφίες εγκεφάλου. Τα αποτελέσματα δείχνουν ότι η αρχιτεκτονική του δικτύου EfficientNetB0 υπερτερεί της αρχιτεκτονικής ResNet18 ως προς την αποτελεσματικότητα και συγκεκριμένα ως προς το ποσοστό ακρίβειας στην κατηγοριοποίηση των εικόνων. Τα αποτελέσματα αυτά αναδεικνύουν τη σημασία των τεχνικών βαθιών νευρωνικών δικτύων στην αυτοματοποιημένη κατηγοριοποίηση βιοϊατρικών εικόνων. Τα ευρήματα αυτής της μελέτης παρέχουν χρήσιμα στοιχεία που αφορούν τους περιορισμούς και τις δυνατότητες των αλγορίθμων τεχνητής νοημοσύνης στην ψηφιακή επεξεργασία βιοϊατρικών εικόνων. Τα αποτελέσματα δείχνουν τη δυνατότητα των τεχνικών βαθιάς μάθησης να βελτιώσουν την ακρίβεια και την αποτελεσματικότητα της αυτοματοποιημένης κατηγοριοποίησης βιοϊατρικών εικόνων, η οποία έχει σημαντικό ρόλο στην έγκαιρη ανίχνευση και διάγνωση εγκεφαλικών βλαβών. Επιπλέον, η μελέτη δείχνει και τη σημασία της επιλογής κατάλληλων αρχιτεκτονικών CNN για συγκεκριμένους στόχους καθώς και την ανάγκη για μεγάλα και διαφοροποιημένα σύνολα δεδομένων για τη βελτίωση της γενίκευσης των αποτελεσμάτων.