Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/BC3C97C6-CC2C-4569-BA1C-21BCB5E49A6D | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.104640 | - |
| Language | el | - |
| Extent | 65 σελίδες | el |
| Title | Νευρωνικό δίκτυο πρόβλεψης επικινδυνότητας ανευρύσματος κοιλιακής αορτής (ΑΚΑ) | el |
| Title | Neural network on the assessment of danger of abdominal aortic aneurysms (AAA) | en |
| Creator | Siaterlis Kyriakos | en |
| Creator | Σιατερλης Κυριακος | el |
| Contributor [Thesis Supervisor] | Zervakis Michail | en |
| Contributor [Thesis Supervisor] | Ζερβακης Μιχαηλ | el |
| Contributor [Committee Member] | Liavas Athanasios | en |
| Contributor [Committee Member] | Λιαβας Αθανασιος | el |
| Contributor [Committee Member] | Stavroulakis Georgios | en |
| Contributor [Committee Member] | Σταυρουλακης Γεωργιος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Content Summary | Στην παρούσα διπλωματική εργασία μελετάται η αποτελεσματικότητα χρήσης νευρωνικών δικτύων για την εκτίμηση επικινδυνότητας ανευρύσματος κοιλιακής αορτής (ΑΚΑ), προβλέποντας μέγιστη τάση von Mises και μέγιστη μετατόπιση τοιχώματος. Τα σύνολα δεδομένων, που προκύπτουν από προσομοιώσεις πεπερασμένων στοιχείων (FEM) σε γεωμετρικά μοντέλα τα οποία έχουν ανακατασκευαστεί από MRI πραγματικών ασθενών, προέρχονται από δύο ανεξάρτητες εργασίες. Αναπτύσσονται και αξιολογούνται δυο αρχιτεκτονικές πολλαπλών εξόδων (multi-output regression): (α) αρχιτεκτονική με εξειδικευμένους νευρώνες στα κρυφά επίπεδα (διαχωρισμός καναλιών προς κάθε έξοδο) και (β) πλήρως συνδεδεμένο feedforward δίκτυο με κοινούς νευρώνες στα κρυφά επίπεδα. Επιπρόσθετα, εξετάζεται η κανονικοποίηση τιμών στόχων (output normalization) λόγω διαφορετικών τάξεων μεγέθους μεταξύ των δύο τιμών εξόδου, με στόχο την αντιμετώπιση της εύνοιας της εξόδου με τη μεγαλύτερη κλίμακα κατά την εκπαίδευση, καθώς και στρατηγικές επιλογής χαρακτηριστικών. Η αξιολόγηση γίνεται με εξαντλητική leave-2-out cross validation, δηλαδή για 𝑛 δείγματα εκπαιδεύονται (𝑛 2) ανεξάρτητα μοντέλα. Τα πειράματα τρέχουν με βελτιστοποιητές AdamW και Levenberg-Marquardt (LM). Συνολικά, ο AdamW δείχνει πιο σταθερή γενίκευση σε μικρά/ετερογενή σύνολα όπως τα δικά μας, ενώ ο LM μπορεί να προσφέρει ταχύτερη σύγκλιση, αλλά είναι πιο επιρρεπής σε υπερπροσαρμογή. Η κανονικοποίηση τιμών στόχων πετυχαίνει το στόχο της και η αρχιτεκτονική με εξειδικευμένους νευρώνες ωφελεί όταν μειώνει τις παρεμβολές μεταξύ των στόχων, με την αποτελεσματικότητα της να εξαρτάται από τον τρόπο παραγωγής των στόχων από τη FEM. Επίσης, η χρήση στοχευμένων χαρακτηριστικών παρουσιάζει σημαντική βελτίωση σε σύγκριση με τη χρήση όλων των διαθέσιμων χαρακτηριστικών, αναδεικνύοντας τη σημασία της. Τα αποτελέσματα και των δύο συνόλων δεδομένων παρουσιάζουν καλές προβλέψεις των στόχων, για το πλήθος των δειγμάτων σε σχέση με τη διασπορά στις τιμές στόχους που θέλουμε να προβλέψουμε. Τα αποτελέσματα αναδεικνύουν τη δυνατότητα για προσιτές ιατρικές εφαρμογές για εκτίμηση κινδύνου ΑΚΑ, αλλά απαιτείται ακόμη περισσότερη δουλειά ώστε να μπορεί να χρησιμοποιείται για τη λήψη κλινικών αποφάσεων. | el |
| Content Summary | In this thesis, we study the effectiveness of using neural networks to assess abdominal aortic aneurysms (AAA) risk by predicting maximum von Mises stress and maximum displacement at the walls of the aorta. The datasets, derived from finite-element method (FEM) simulations on geometric models reconstructed from MRI scans of real patients, come from two independent studies. We develop and evaluate two multi-output regression architectures: (a) an architecture with specialized neurons in the hidden layers (separate pathways toward each output), and (b) a fully connected feedforward network with shared neurons in the hidden-layers. In addition, we examine output normalization due to the different orders of magnitude between the two outputs, aiming to counter the training bias toward the higher scale output, as well as feature-selection strategies. Evaluation is performed with exhaustive leave-2-out cross validation, i.e., for n samples we train independent models. Experiments are run using the AdamW and Levenberg-Marquardt (LM) optimizers. Overall, AdamW exhibits more stable generalization on small/heterogeneous datasets like ours, whereas LM can offer faster convergence but is more prone to overfitting. Output normalization achieves its goal, and the architecture with specialized neurons is beneficial when it reduces interference between targets, meaning that its effectiveness depends on how the targets are produced by the FEM. Moreover, using targeted feature subsets yields significant improvements compared to using all available features, underscoring the importance of feature selection. Results on both datasets show good target prediction given the number of samples relative to the spread of the target values we aim to predict. The results highlight the potential for accessible medical applications for AAA risk assessment, but more work is needed before it can be used for clinical decision-making. | en |
| Type of Item | Διπλωματική Εργασία | el |
| Type of Item | Diploma Work | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2025-09-18 | - |
| Date of Publication | 2025 | - |
| Subject | Ανεύρυσμα | el |
| Subject | Aneurysm | en |
| Subject | Biomedical | en |
| Subject | Βιοϊατρική | el |
| Subject | Neural network | en |
| Subject | Νευρωνικό δίκτυο | el |
| Bibliographic Citation | Κυριάκος Σιατερλής, "Νευρωνικό δίκτυο πρόβλεψης επικινδυνότητας ανευρύσματος κοιλιακής αορτής (ΑΚΑ)", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
| Bibliographic Citation | Kyriakos Siaterlis, "Neural network on the assessment of danger of abdominal aortic aneurysms (AAA)", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
Copyright © DIAS 2013
