Ανίχνευση μορφολογικών χαρακτηριστικών βλαστοκύστεων με χρήση μοντέλων σημασιολογικής τμηματοποίησης

Abstract

Φιλοδοξία της παρούσας Διπλωματικής εργασίας είναι η ανάπτυξη και η σύγκριση τριών μοντέλων σημασιολογικής τμηματοποίησης, UNet, DeepLab και PSPNet, για την ανίχνευση τριών μορφολογικών χαρακτηριστικών (ICM, TE και ZP) από εικόνες βλαστοκύστεων, με σκοπό την ανάδειξη της καταλληλότητας των εμβρύων για εξωσωματική γονιμοποίηση (IVF). Τα εν λόγω μοντέλα παρουσιάζουν διαφορετική συμπεριφορά ως προς το σύνολο δεδομένων, μέσω του οποίου πραγματοποιείται η εκπαίδευση και η αξιολόγησή τους. Στην παρούσα Διπλωματική εργασία περιγράφονται η αξία της τμηματοποίησης εικόνων στη μηχανική μάθηση και ειδικότερα στον επιστημονικό κλάδο της Ιατρικής, καθώς και οι τρεις βασικές κατηγορίες της τμηματοποίησης σε συνδυασμό με ορισμένα παραδείγματα εφαρμογών. Παρουσιάζονται τα τεχνητά νευρωνικά δίκτυα (ANNs) και οι διάφορες κατηγορίες τους, όπως τα νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης (FFNs), τα συνελικτικά νευρωνικά δίκτυα (CNNs) και τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNNs), τα οποία χρησιμοποιούνται ευρέως σε εργασίες σημασιολογικής τμηματοποίησης. Το επίκεντρο του ενδιαφέροντος όμως βρίσκεται στα τρια μοντέλα UNet, DeepLab και PSPNet, για τα οποία πραγματοποιείται λεπτομερής ανάλυση της αρχιτεκτονικής τους και αναφέρονται ορισμένες από τις υπερπαράμετρους εκπαίδευσης, και τις μεθόδους αξιολόγησης τους. Τέλος, περιγράφεται η μεθοδολογία της συγκεκριμένης έρευνας και παρατίθενται τα αποτελέσματα που εξήχθησαν. Η συγκεκριμένη προσπάθεια ανίχνευσης των τριών μορφολογικών χαρακτηριστικών (ICM, TE και ZP) των βλαστοκύστεων οδήγησε στην ανάδειξη του μοντέλου UNet ως καταλληλότερου, καθώς παρουσιάζει συνολικά την καλύτερη απόδοση, σε σύγκριση με τα άλλα δύο μοντέλα. Πρόκειται για ένα σταθερό μοντέλο, με καλή γενίκευση και χωρίς προβλήματα υπερπροσαρμογής. Αναφέρεται μια τιμή της μετρικής αξιολόγησης IoU του 67.05% για την αναγνώριση της ICM, μια τιμή του 56.88% για την αναγνώριση της TE και μια τιμή του 63.65% για την αναγνώριση της ZP. Τέλος, παρατίθενται ορισμένες προτάσεις και βελτιώσεις, οι οποίες πιθανόν θα οδηγήσουν στην επίτευξη καλύτερων αποτελεσμάτων τόσο για τα μοντέλα DeepLab και PSPNet, όσο και σε μελλοντικές έρευνες στο τομέα της σημασιολογικής τμηματοποίησης ιατρικών εικόνων.