Τμηματοποίηση εικόνων CT ήπατος με βαθιά μάθηση

Παππά, Μιρέλα

Segmentation of liver CT images with deep learning

Μεταπτυχιακή διπλωματική εργασία

Author

Παππά, Μιρέλα

Date

2023-09-26

Advisor

Asvestas, Pantelis

Διπλωματική εργασία (2.508Mb)

Keywords

Βαθιά μάθηση ; Ήπαρ ; Ηπατοκυτταρικό καρκίνωμα ; Τμηματοποίηση ; Ιατρική απεικόνιση ; Αξονική τομογραφία

Abstract

Ο καρκίνος παραμένει η κύρια αιτία θανάτου παγκοσμίως, με τον καρκίνο του ήπατος να κατατάσσεται ως ο δεύτερος πιο θανατηφόρος και ο έκτος πιο συχνός καρκίνος συνολικά. Η συχνότητά του κορυφώνεται μεταξύ 45-60 ετών, επηρεάζοντας δυσανάλογα τους άνδρες. Η έγκαιρη διάγνωση και η θεραπεία σε πρώιμο στάδιο αποτελούν καθοριστικούς παράγοντες επιτυχίας, βελτιώνοντας σημαντικά τα ποσοστά επιβίωσης και την δυνατότητα πλήρους ανάκαμψης όσο νωρίτερα εντοπιστεί ο καρκίνος του ήπατος. Οι απεικονιστικές εξετάσεις παίζουν καθοριστικό ρόλο στην αξιολόγηση της κλινικής κατάστασης ενός ασθενούς και αποτελούν το κύριο εργαλείο για την διάγνωση. Η Τεχνητή Νοημοσύνη αναδεικνύεται ως ένα ισχυρό εργαλείο που συμβάλλει πραγματικά στην λήψη της απόφασης και στον σχεδιασμό της ιατρικής θεραπείας, προσφέροντας ανεκτίμητη βοήθεια στους επαγγελματίες υγείας. Η Βαθιά Μάθηση, με την πολυεπίπεδη αρχιτεκτονική των νευρωνικών δικτύων και τα τεράστια σύνολα δεδομένων για την εκπαίδευσή τους, απλοποιεί την τμηματοποίηση των ιατρικών εικόνων και διευκολύνει τη λήψη τεκμηριωμένων αποφάσεων με σκοπό πάντα την βελτίωση της υγείας του ασθενούς. Σκοπός της εργασίας αυτής είναι η μελέτη της μεθοδολογίας της ανάπτυξης διαφόρων νευρωνικών δικτύων και σύγκριση μεταξύ της αποτελεσματικότητας της απόδοσής τους στην τμηματοποίηση της εικόνας του ήπατος. Επίσης γίνεται εκτενής αναφορά στον τρόπο με τον οποίο δομείται ένα μοντέλο βαθιάς μάθησης, στην εκπαίδευσή του και την εξαγωγή των αποτελεσμάτων καθώς και στον υπολογισμό της γενικής απόδοσης του μοντέλου. Τέλος, παρουσιάζεται η μεθοδολογία της υλοποίησης ενός μοντέλου με την χρήση της MATLAB για περαιτέρω κατανόηση της διαδικασίας. Συμπερασματικά, η διασταύρωση των τεχνικών ιατρικής απεικόνισης, της Τεχνητής Νοημοσύνης και της Βαθιάς Μάθησης προσφέρει νέους δρόμους για την βελτίωση της ιατρικής περίθαλψης. Η εκπαίδευση των νευρωνικών δικτύων παρέχει ποσοτικές γνώσεις που δίνουν τη δυνατότητα στους ιατρούς να λαμβάνουν τεκμηριωμένες αποφάσεις και να βελτιώνουν τη φροντίδα των ασθενών.

Abstract

Cancer remains a leading global cause of death, with liver cancer ranking as the second most fatal and sixth most common overall. Its incidence peaks between ages 45-60, affecting men disproportionately. Early diagnosis and treatment in the early stages are crucial factors for success, significantly improving survival rates and the possibility of full recovery. Medical imaging plays a pivotal role in evaluating a patient's clinical condition and serves as the primary tool for diagnosis. Artificial Intelligence emerges as a powerful tool that genuinely contributes to decision-making and medical treatment planning, providing invaluable assistance to healthcare professionals. Deep Learning, with its multi-layer neural network architecture and extensive training datasets, simplifies the segmentation of medical images and facilitates the acquisition of well-informed decisions, always with the aim of improving the patient's health. The purpose of this work is to study the methodology of developing various neural networks and to compare their effectiveness in liver image segmentation. Furthermore, a detailed explanation is provided on how a deep learning model is structured, trained, results are extracted, and the overall performance of the model is calculated. Finally, the methodology of implementing a model using MATLAB is presented for further understanding of the process. In conclusion, the convergence of medical imaging techniques, Artificial Intelligence, and Deep Learning opens up new avenues for improving healthcare. The training of neural networks provides quantitative insights that empower medical professionals to make evidence-based decisions and enhance patient care.