Show simple item record

Εξαγωγή πολυδιαστατικών χαρακτηριστικών από ιατρικές εικόνες χρησιμοποιώντας τεχνικές deep learning.

Dublin Core metadata

dc.creatorTrivizakis, Eleftheriosen
dc.creatorΤριβιζάκης, Ελευθέριοςel
dc.date.accessioned2019-02-07T12:25:40Z
dc.date.available2019-02-07T12:25:40Z
dc.date.issued2019-02-05
dc.identifier.urihttp://hdl.handle.net/11713/9009
dc.description.abstractMachine Learning, as a field of computer science started in the early 1960s. Recently, with the rise of high-throughput computing and the massively available data, advanced machine learning techniques have led to unprecedented results in image processing and computer vision analysis applications. This was due to the introduction of novel architectures such as recurrent, deep belief, convolutional networks and other deep architectures, as well as the availability of more sophisticated hardware or cluster computing, better training methods and strategies, efficient regularization and normalization algorithms. A large number of image processing and computer vision applications have seen significant benefits from the application of advanced machine learning techniques including image classification, text-to-image retrieval, object recognition, enhancement, registration, segmentation and generation. Regarding, Medical Imaging deep learning applications such as automated organ or object segmentation, lesion classification or detection and image quality enhancement have achieved significantly advanced results, performing near or even better than a human expert. In this master thesis a 2D and a 3D CNN has been developed for extracting multi-dimensional medical image features for discriminating between primary vs metastatic malignant liver lesions. The proposed network consists of four consecutive strided 3D Convolutional layers with 3x3x3 kernel size and ReLU as activation function followed by a fully-connected layer with 2048 neurons and a Softmax layer for binary classification. A dataset comprised of 107 DW-MRI scans was used for training and validation in both networks. In particular, 2D and 3D CNNs were designed for liver cancer differentiation and trained by the same dataset. The results demonstrated a superior classification performance of the 3D over the 2D with 93.9% vs 65% and 95% vs 67% tissue classification accuracy and sensitivity respectively. These results suggest that there are potential benefits of Deep Learning on diffusion MRI in enhancing the diagnostic information towards more precise, personalized health care of liver cancer patients. Early image-based information regarding primary-metastatic pathology can optimize therapy decisions early and spare patients of unnecessary therapy.en
dc.description.abstractΗ Μηχανική Μάθηση ως κλάδος της Επιστήμης Υπολογιστών ξεκίνησε την δεκαετία του 1960. Πρόσφατα οι εξελιγμένες τεχνικές μηχανικής μάθησης, υποβοηθούμενες από την άνοδο της υπολογιστικής ισχύς και την διαθεσιμότητα μεγάλου όγκου δεδομένων, έχουν οδηγήσει σε εξαιρετικά αποτελέσματα για εφαρμογές επεξεργασίας εικόνας και υπολογιστικής όρασης. Αυτό οφείλεται στην εισαγωγή νέων αρχιτεκτονικών όπως τα συνελικτικά νευρωνικά, στοιβαγμένα πολύ-επίπεδα δίκτυα και άλλες βαθιές αρχιτεκτονικές δικτύων, καθώς και στην διαθεσιμότητα πιο εξελιγμένου υλικού, τις βελτιωμένες τεχνικές εκπαίδευσης των δικτύων και ομαλοποίησης/κανονικοποίησης πληροφορίας. Ένας μεγάλος αριθμός εφαρμογών επεξεργασίας εικόνας και υπολογιστικής όρασης έχουν ωφεληθεί από αυτές τις τεχνικές μηχανικής μάθησης περιλαμβάνοντας την κατηγοριοποίηση εικόνας, αναγνώριση αντικειμένου, βελτιστοποίηση, καταχώριση-αποτύπωση και κατάτμηση εικόνας. Σχετικά με τις εφαρμογές Ιατρικής Απεικόνισης όπως η αυτοματοποιημένη κατάτμηση οργάνου ή αντικειμένου, κατηγοριοποίηση ή ανίχνευση οργανικής βλάβη, αυτές έχουν σαφώς εξελιχθεί αποδίδοντας κοντά ή και καλύτερα από τον αντίστοιχο ειδικό. Στην παρούσα μεταπτυχιακή διατριβή, έχουν υλοποιηθεί δυο Συνελικτικά Δίκτυα (ένα 2-Δ και ένα 3-Δ) για την εξαγωγή πολυδιάστατων χαρακτηριστικών από ιατρικές εικόνες, ώστε να είναι δυνατή η κατηγοριοποίηση μεταξύ πρωτογενών ή μεταστατικών κακοηθών όγκων. Το προτεινόμενο δίκτυο αποτελείται από τέσσερα διαδοχικά 3-Διαστάσεων συνελικτικά επίπεδα με μέγεθος πυρήνα 3x3x3 και συνάρτηση ενεργοποίησης ReLU ακολουθούμενη από ένα πλήρως συνδεδεμένο επίπεδο με 2048 νευρώνες και κατηγοριοποιητή Softmax. Για την εκπαίδευση και αξιολόγηση των δικτύων τα δεδομένα που χρησιμοποιήθηκαν και για τα δύο δίκτυα περιλαμβάνουν 107 DW-MRI σαρώσεις. Τα 3-Δ δίκτυα παρουσιάζουν ανώτερες επιδόσεις σε κατηγοριοποίηση ιστού έναντι των 2-Δ δικτύων με 93,9% προς 65% και 95% προς 67% για ακρίβεια και ευαισθησία κατηγοριοποίησης αντίστοιχα. Τα αποτελέσματα αυτά συνηγορούν στο ότι υπάρχουν σημαντικά δυνητικά οφέλη με την ενίσχυση της διαγνωστικής πληροφορίας προς ακριβέστερη, εξατομικευμένη περίθαλψη σε ασθενείς που πάσχουν από καρκίνο στο συκώτι. Η έγκαιρη, βασισμένη σε ιατρικές εικόνες, πληροφόρηση σχετικά με την πρωτογενή ή μεταστατική παθολογία του ασθενή μπορεί να βελτιστοποιήσει τις θεραπευτικές αποφάσεις νωρίς ώστε να αποφευχθούν άσκοπες θεραπείες.el
dc.languageΑγγλικάel
dc.languageEnglishen
dc.publisherΤ.Ε.Ι. Κρήτης, Σχολή Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), ΠΜΣ Πληροφορική και Πολυμέσαel
dc.publisherT.E.I. of Crete, School of Engineering (STEF), PPS in Informatics and Multimediaen
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.titleExtracting high-dimensional features from medical images by utilizing deep learning techniques.en
dc.titleΕξαγωγή πολυδιαστατικών χαρακτηριστικών από ιατρικές εικόνες χρησιμοποιώντας τεχνικές deep learning.el

healMeta

heal.creatorNameTrivizakis, Eleftheriosen
heal.creatorNameΤριβιζάκης, Ελευθέριοςel
heal.publicationDate2019-02-05
heal.identifier.primaryhttp://hdl.handle.net/11713/9009
heal.abstractMachine Learning, as a field of computer science started in the early 1960s. Recently, with the rise of high-throughput computing and the massively available data, advanced machine learning techniques have led to unprecedented results in image processing and computer vision analysis applications. This was due to the introduction of novel architectures such as recurrent, deep belief, convolutional networks and other deep architectures, as well as the availability of more sophisticated hardware or cluster computing, better training methods and strategies, efficient regularization and normalization algorithms. A large number of image processing and computer vision applications have seen significant benefits from the application of advanced machine learning techniques including image classification, text-to-image retrieval, object recognition, enhancement, registration, segmentation and generation. Regarding, Medical Imaging deep learning applications such as automated organ or object segmentation, lesion classification or detection and image quality enhancement have achieved significantly advanced results, performing near or even better than a human expert. In this master thesis a 2D and a 3D CNN has been developed for extracting multi-dimensional medical image features for discriminating between primary vs metastatic malignant liver lesions. The proposed network consists of four consecutive strided 3D Convolutional layers with 3x3x3 kernel size and ReLU as activation function followed by a fully-connected layer with 2048 neurons and a Softmax layer for binary classification. A dataset comprised of 107 DW-MRI scans was used for training and validation in both networks. In particular, 2D and 3D CNNs were designed for liver cancer differentiation and trained by the same dataset. The results demonstrated a superior classification performance of the 3D over the 2D with 93.9% vs 65% and 95% vs 67% tissue classification accuracy and sensitivity respectively. These results suggest that there are potential benefits of Deep Learning on diffusion MRI in enhancing the diagnostic information towards more precise, personalized health care of liver cancer patients. Early image-based information regarding primary-metastatic pathology can optimize therapy decisions early and spare patients of unnecessary therapy.en
heal.abstractΗ Μηχανική Μάθηση ως κλάδος της Επιστήμης Υπολογιστών ξεκίνησε την δεκαετία του 1960. Πρόσφατα οι εξελιγμένες τεχνικές μηχανικής μάθησης, υποβοηθούμενες από την άνοδο της υπολογιστικής ισχύς και την διαθεσιμότητα μεγάλου όγκου δεδομένων, έχουν οδηγήσει σε εξαιρετικά αποτελέσματα για εφαρμογές επεξεργασίας εικόνας και υπολογιστικής όρασης. Αυτό οφείλεται στην εισαγωγή νέων αρχιτεκτονικών όπως τα συνελικτικά νευρωνικά, στοιβαγμένα πολύ-επίπεδα δίκτυα και άλλες βαθιές αρχιτεκτονικές δικτύων, καθώς και στην διαθεσιμότητα πιο εξελιγμένου υλικού, τις βελτιωμένες τεχνικές εκπαίδευσης των δικτύων και ομαλοποίησης/κανονικοποίησης πληροφορίας. Ένας μεγάλος αριθμός εφαρμογών επεξεργασίας εικόνας και υπολογιστικής όρασης έχουν ωφεληθεί από αυτές τις τεχνικές μηχανικής μάθησης περιλαμβάνοντας την κατηγοριοποίηση εικόνας, αναγνώριση αντικειμένου, βελτιστοποίηση, καταχώριση-αποτύπωση και κατάτμηση εικόνας. Σχετικά με τις εφαρμογές Ιατρικής Απεικόνισης όπως η αυτοματοποιημένη κατάτμηση οργάνου ή αντικειμένου, κατηγοριοποίηση ή ανίχνευση οργανικής βλάβη, αυτές έχουν σαφώς εξελιχθεί αποδίδοντας κοντά ή και καλύτερα από τον αντίστοιχο ειδικό. Στην παρούσα μεταπτυχιακή διατριβή, έχουν υλοποιηθεί δυο Συνελικτικά Δίκτυα (ένα 2-Δ και ένα 3-Δ) για την εξαγωγή πολυδιάστατων χαρακτηριστικών από ιατρικές εικόνες, ώστε να είναι δυνατή η κατηγοριοποίηση μεταξύ πρωτογενών ή μεταστατικών κακοηθών όγκων. Το προτεινόμενο δίκτυο αποτελείται από τέσσερα διαδοχικά 3-Διαστάσεων συνελικτικά επίπεδα με μέγεθος πυρήνα 3x3x3 και συνάρτηση ενεργοποίησης ReLU ακολουθούμενη από ένα πλήρως συνδεδεμένο επίπεδο με 2048 νευρώνες και κατηγοριοποιητή Softmax. Για την εκπαίδευση και αξιολόγηση των δικτύων τα δεδομένα που χρησιμοποιήθηκαν και για τα δύο δίκτυα περιλαμβάνουν 107 DW-MRI σαρώσεις. Τα 3-Δ δίκτυα παρουσιάζουν ανώτερες επιδόσεις σε κατηγοριοποίηση ιστού έναντι των 2-Δ δικτύων με 93,9% προς 65% και 95% προς 67% για ακρίβεια και ευαισθησία κατηγοριοποίησης αντίστοιχα. Τα αποτελέσματα αυτά συνηγορούν στο ότι υπάρχουν σημαντικά δυνητικά οφέλη με την ενίσχυση της διαγνωστικής πληροφορίας προς ακριβέστερη, εξατομικευμένη περίθαλψη σε ασθενείς που πάσχουν από καρκίνο στο συκώτι. Η έγκαιρη, βασισμένη σε ιατρικές εικόνες, πληροφόρηση σχετικά με την πρωτογενή ή μεταστατική παθολογία του ασθενή μπορεί να βελτιστοποιήσει τις θεραπευτικές αποφάσεις νωρίς ώστε να αποφευχθούν άσκοπες θεραπείες.el
heal.languageΑγγλικάel
heal.languageEnglishen
heal.academicPublisherΤ.Ε.Ι. Κρήτης, Σχολή Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), ΠΜΣ Πληροφορική και Πολυμέσαel
heal.academicPublisherT.E.I. of Crete, School of Engineering (STEF), PPS in Informatics and Multimediaen
heal.titleExtracting high-dimensional features from medical images by utilizing deep learning techniques.en
heal.titleΕξαγωγή πολυδιαστατικών χαρακτηριστικών από ιατρικές εικόνες χρησιμοποιώντας τεχνικές deep learning.el
heal.typeΜεταπτυχιακή Διατριβήel
heal.typeMaster thesisen
heal.keyworddeep learning, machine learning, medical image, convolutional neural networks (CNNs)en
heal.keywordβαθιά μάθηση, μηχανική μάθηση, ιατρική εικόνα, συνελικτικά νευρωνικά δίκτυαel
heal.accessfreeel
heal.advisorNameMarias, Konstantinosen
heal.advisorNameΜαριάς, Κωνσταντίνοςel
heal.advisorID.emailkmarias@ie.teicrete.gr
heal.academicPublisherIDΤ.Ε.Ι. Κρήτηςel
heal.academicPublisherIDT.E.I. of Creteen
heal.fullTextAvailabilitytrueel
tcd.distinguishedfalseel
tcd.surveyfalseel


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States