Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Ανάλυση και τμηματοποίηση στεφανιαίων αρτηριών χρησιμοποιώντας προηγμένες τεχνικές βαθιάς μάθησης

Papamatthaiaki Ilektra-Despoina

Πλήρης Εγγραφή

---

Περίληψη

Η στεφανιαία νόσος (CAD) συγκαταλέγεται μεταξύ των κύριων αιτιώνθανάτου παγκοσμίως. Δεδομένου ότι οι υφιστάμενες διαγνωστικές μέθο-δοι είναι κυρίως επεμβατικές, παρατηρείται αυξανόμενο ενδιαφέρον για τηνανάπτυξη ακριβών, μη επεμβατικών εναλλακτικών λύσεων. Στο πλαίσιοαυτό, οι εξελίξεις στη βαθιά μάθηση έχουν αποδειχθεί καθοριστικές γιατην εκτίμηση διαγνωστικών δεικτών. Η ακριβής τρισδιάστατη μοντελοπο-ίηση των στεφανιαίων αρτηριών είναι ζωτικής σημασίας για την υποστήριξηαξιόπιστων, μη επεμβατικών διαγνωστικών διαδικασιών. Η παρούσα διπλω-ματική εργασία διερευνά τη χρήση τεχνικών βαθιάς μάθησης για την τμημα-τοποίηση των στεφανιαίων αρτηριών σε εικόνες αξονικής στεφανιογραφίας(CTA), με στόχο τη διευκόλυνση της έγκαιρης διάγνωσης και τη βελτίω-ση των θεραπευτικών παρεμβάσεων. Συγκρίνονται και αξιολογούνται δύομοντέλα: το Basic U-Net, ένα συνελικτικό νευρωνικό δίκτυο (CNN), καιτο UNETR, ένα μοντέλο βασισμένο σε αρχιτεκτονική τύπου transformer.Και τα δύο μοντέλα υλοποιούνται στο ίδιο υπολογιστικό πλαίσιο, ώστε ναδιασφαλιστεί άμεση και δίκαιη σύγκριση.Λαμβάνοντας υπόψη το αυξανόμενο ενδιαφέρον για τις αρχιτεκτονικέςtransformer στον ιατρικό τομέα, η παρούσα σύγκριση αποσκοπεί στην α-ξιολόγηση του κατά πόσο αυτές οι τεχνικές παρουσιάζουν ουσιαστική προ-οπτική για την πρόοδο της έρευνας στην τμηματοποίηση ιατρικών εικόνων.Αν και τα πειραματικά αποτελέσματα έδειξαν υψηλή ακρίβεια και για ταδύο μοντέλα, το Basic U-Net παρουσίασε σταθερά καλύτερη απόδοση απότο UNETR, ιδίως σε συνθήκες περιορισμένων δεδομένων και υπολογιστι-κών πόρων. Η ποσοτική αξιολόγηση με τον Συντελεστή Ομοιότητας Dice(DSC) κατέδειξε μέση τιμή 90,14% για το Basic U-Net, έναντι 89,56% γιατο UNETR. Παρόλο που θεωρητικά το UNETR υπερέχει στην αποτύπωσηεξαρτήσεων μεγάλου εύρους, η απόδοσή του φαίνεται να περιορίστηκε απότην υψηλή απαίτηση σε δεδομένα και την ευαισθησία του σε υπολογιστικούςπεριορισμούς.Τα ευρήματα αυτά καταδεικνύουν ότι οι συνελικτικές αρχιτεκτονικέςπαραμένουν πιο αξιόπιστες σε περιβάλλοντα με περιορισμένους πόρους καιυπογραμμίζουν τη σημασία της επιλογής κατάλληλου μοντέλου και του με-γέθους του συνόλου δεδομένων στις ιατρικές εφαρμογές αυτού του πεδίου.Συνολικά, η παρούσα έρευνα επιβεβαιώνει ότι η βαθιά μάθηση είναι εφαρ-μόσιμη για την τμηματοποίηση των στεφανιαίων αρτηριών και ενισχύει πε-ραιτέρω την προοπτική αξιοποίησής της σε μη επεμβατικές διαγνωστικέςδιαδικασίες για τη στεφανιαία νόσο.

Διαθέσιμα αρχεία

Υπηρεσίες