Ανάλυση CT-Scans με χρήση συνελικτικών νευρωνικών δικτύων

Abstract

Στο διάστημα έπειτα από την εμφάνιση και τη συνεχή εξάπλωση της ασθένειας COVID-19, πολλά κρούσματα και πολλοί θάνατοι εμφανίζονται παγκοσμίως σε διαφορετική κλίμακα σε κάθε χώρα ξεχωριστά. Λόγω αυτού του γεγονότος, γίνονται πολυάριθμα PCR tests αλλά και λήψεις ιατρικών εικόνων (X-Rays και CT-Scans) καθημερινά. Αξιοσημείωτο είναι το γεγονός ότι τα συστήματα υγειονομικής περίθαλψης είναι παγκοσμίως υπερφορτωμένα, προκαλώντας την νόσηση των εργαζομένων στα συστήματα αυτά ακόμη και με την τήρηση των απαραίτητων μέτρων ασφαλείας. Ιδιαίτερα χρήσιμη, θα ήταν η διάγνωση μέσω των CT-Scans γρηγορότερα και ακριβέστερα μιας και έχει παρατηρηθεί ότι η μέθοδος διάγνωσης με PCR δεν έχει ιδιαίτερα υψηλή ευαισθησία σε ήπιας μορφής μόλυνση από COVID-19. Δεδομένου του γεγονότος ότι η ανάγνωση των CT-Scans από ειδικούς ακτινολόγους απαιτεί κάποιο υπολογίσιμο χρονικό διάστημα, θα ήταν ιδιαίτερα χρήσιμη η ανάπτυξη κάποιου αυτοματοποιημένου συστήματος τεχνητής νοημοσύνης όπου θα λειτουργούσε γρηγορότερα, και με υψηλή ακρίβεια με σκοπό την αποσυμπίεση του φόρτου εργασίας των ειδικών. Αποτέλεσμα αυτού θα είναι η αποσυμφόρηση των ειδικών αλλά και των υγειονομικών κέντρων και ο καλύτερος έλεγχος των περιστατικών COVID-19. Κατά συνέπεια, με αυτό τον τρόπο θα εφαρμόζεται καλύτερη οργάνωση ως προς τα κρίσιμα περιστατικά που χρίζουν άμεση περίθαλψη σε μονάδα εντατικής θεραπείας, αλλά και τα ήπια περιστατικά όπου αρκεί η ανάρρωση στο σπίτι. Στη παρούσα εργασία παρουσιάζονται και αναλύονται Deep Learning αλγόριθμοι, χρησιμοποιώντας τις Αξονικές Τομογραφίες (CT-Scans) και με τη βοήθεια αυτών προκύπτουν σημαντικά αποτελέσματα με υψηλή ακρίβεια. Η παρούσα εργασία πραγματεύεται την ανάλυση Αξονικών Τομογραφιών για τη κατηγοριοποίηση των περιστατικών σε ασθενείς και μη-ασθενείς από COVID-19, δημιουργώντας έτσι ένα αυτοματοποιημένο σύστημα όπου μπορεί να οδηγήσει σε αποσυμφόρηση των συστημάτων υγειονομικής περίθαλψης και αποδοτικότερη οργάνωση των περιστατικών. Στην παρούσα εργασία, κατασκευάστηκαν 3D Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks) και εκπαιδεύτηκαν με κατάλληλο τρόπο αφού πρώτα εφαρμόστηκε η προ-επεξεργασία των εικόνων χρησιμοποιώντας πλήθος τεχνικών. Παρουσιάζονται χρήσιμα αποτελέσματα, συμπεράσματα καθώς επίσης και γραφικές παραστάσεις αλλά και εικόνες χρήσιμες για την κατανόηση του προβλήματος και τη σύγκριση των αποτελεσμάτων.