Ανάπτυξη συστήματος υποστήριξης απόφασης για την ταξινόμηση γλοιωμάτων εγκεφάλου
Development of desicion support system for the classification of brain gliomas
Λέξεις-κλειδιά
Αστροκύτωμα ; Ταξινόμηση ; Σύστημα υποστήριξης απόφασης (ΣΥΑ) ; Ημι-εποπτευόμενη μάθηση ; Αντιθετική μάθησηΠερίληψη
Το Αστροκύτωμα αποτελεί το πιο διαδεδομένο γλοίωμα εγκεφάλου, αντιπροσωπεύοντας περισσότερο από το 60% των συνολικών περιπτώσεων γλοιωμάτων. Οι κατηγορίες αστροκυτωμάτων Grade II και Grade ΙΙΙ, σύμφωνα με την ταξινόμηση του ΠΟΥ, διαφέρουν δραματικά ως προς την πρόγνωση και το πλάνο θεραπείας, καθιστώντας κρίσιμο τον ακριβή προσδιορισμό της κατηγορίας που εντάσσεται ο ασθενής. Στόχο της παρούσας εργασίας αποτελεί η ανάπτυξη ενός Συστήματος Υποστήριξης Απόφασης (ΣΥΑ) που θα αξιοποιεί τεχνικές εποπτευόμενης μηχανικής μάθησης και μία υβριδική προσέγγιση ημι-εποπτευόμενης και αντιθετικής μάθησης για την ταξινόμηση των δύο κατηγοριών αστροκυτωμάτων. Το σύστημα εκπαιδεύτηκε σε ένα σύνολο δεδομένων που περιείχε 310 προ-εγχειρητικές εγκάρσιες εικόνες Μαγνητικού Συντονισμού (MRI), με ακολουθία σάρωσης T1-weighted και χρήση Γαδολινίου ως παράγοντα ενίσχυσης αντίθεσης.
Για την εκπαίδευση του ΣΥΑ με τεχνικές μηχανικής μάθησης, πραγματοποιήθηκε η εξαγωγή 98 ακτινωμικών χαρακτηριστικών έπειτα από χειροκίνητη τμηματοποίηση των εικόνων. Ακολούθησε η εφαρμογή τριών τεχνικών επιλογής χαρακτηριστικών, καθώς και η ταξινόμηση των δεδομένων με τη χρήση συνδυασμών οκτώ ταξινομητών και τεσσάρων μεθόδων αξιολόγησης, εξετάζοντας όλους τους δυνατούς συνδυασμούς χαρακτηριστικών ανά δύο έως πέντε. Από τα αποτελέσματα της εξαντλητικής αναζήτησης προέκυψε βέλτιστη ακρίβεια ταξινόμησης 98,39% για τους συνδυασμούς τεσσάρων και πέντε χαρακτηριστικών, στο υποσύνολο που προέκυψε από την RFE-Cross Validation, με χρήση του ταξινομητή Perceptron και της μεθόδου αξιολόγησης Leave One Out.
Στην επόμενη φάση για την εκπαίδευση του ΣΥΑ με βαθιά μάθηση, δημιουργήθηκε ένα Συνελικτικό Νευρωνικό Δίκτυο (CNN), ενώ μέρος των δεδομένων θεωρήθηκε ως μη επισημασμένο. Αρχικά πραγματοποιήθηκε η προσθήκη επαυξήσεων στις εικόνες, και ακολούθησε η βασική επιβλεπόμενη εκπαίδευση του δικτύου (baseline training). Συνδυάζοντας την ημι-εποπτευόμενη και αντιθετική μάθηση, επιτεύχθηκε προ-εκπαίδευση του δικτύου αξιοποιώντας τις μη-επισημασμένες εικόνες. Έπειτα από την προ-εκπαίδευση πραγματοποιήθηκε νέα επιβλεπόμενη εκπαίδευση (fine-tuning). Τα αποτελέσματα έδειξαν σημαντική βελτίωση στην απόδοση του συστήματος, με τη μέση μέγιστη ακρίβεια να παρουσιάζει αύξηση κατά 15%, καθώς και την ικανότητά του δικτύου να ταξινομεί αποτελεσματικά νέες περιπτώσεις δεδομένων.
Περίληψη
Astrocytoma is the most common brain glioma, accounting for more than 60% of all glioma cases. According to the WHO classification, Grade II and Grade III astrocytomas differ dramatically in terms of prognosis and treatment plan, making the accurate determination of the patient's category critical. The aim of this thesis is to develop a Decision Support System (DSS) that utilizes supervised machine learning techniques and a hybrid approach of semi-supervised and contrastive learning for the classification of these two astrocytoma categories. The system was trained on a dataset containing 310 pre-operative axial Magnetic Resonance Imaging (MRI) scans, with T1-weighted sequence and Gadolinium used as a contrast enhancement agent.
For the training of the DSS using machine learning techniques, 98 radiomic features were extracted following manual segmentation of the images. Subsequently, three feature selection techniques were applied, followed by data classification using combinations of eight classifiers and four evaluation methods, examining all possible combinations of features from two to five. The exhaustive search results yielded an optimal classification accuracy of 98.39% for combinations of four and five features in the subset derived from RFE-Cross Validation, using the Perceptron classifier and the Leave One Out evaluation method.
In the next phase of training the Decision Support System using deep learning, a Convolutional Neural Network (CNN) was created, with part of the data considered as unlabeled. Initially, image augmentations were applied, followed by the baseline supervised training of the network. By combining semi-supervised and contrastive learning, the network was pre-trained using the unlabeled images. After the pre-training, a new round of supervised fine-tuning was performed. The results showed a significant improvement in the system's performance, with the average maximum accuracy increasing by 15%, as well as the network's ability to effectively classify new data cases.
Αριθμός σελίδων
107Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών ΒιοϊατρικήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές