Ανίχνευση μορφολογικών χαρακτηριστικών βλαστοκύστεων με χρήση μοντέλων σημασιολογικής τμηματοποίησης

Τομαράς, Ηλίας

dc.contributor.advisor	Μαγκλογιάννης, Ηλίας
dc.contributor.author	Τομαράς, Ηλίας
dc.date.accessioned	2025-05-07T07:59:04Z
dc.date.available	2025-05-07T07:59:04Z
dc.date.issued	2025-04
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17730
dc.description.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.	el
dc.format.extent	93	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Ανίχνευση μορφολογικών χαρακτηριστικών βλαστοκύστεων με χρήση μοντέλων σημασιολογικής τμηματοποίησης	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	The aspiration of this thesis is the development and comparison of three seman-tic segmentation models, UNet, DeepLab, and PSPNet, for the detection of three mor-phological characteristics (ICM, TE, and ZP) from blastocyst images, aiming to assess embryo suitability for in vitro fertilization (IVF). These models exhibit different behaviors with respect to the dataset used for training and evaluation. This thesis highlights the significance of image segmentation in machine learning, particularly in the medical field, as well as the three main categories of segmentation, along with relevant application examples. It explores artificial neural networks (ANNs) and their various types, such as feed-forward neural networks (FFNs), convolutional neu-ral networks (CNNs), and recurrent neural networks (RNNs), which are widely used in semantic segmentation tasks. However, the primary focus is on the UNet, DeepLab, and PSPNet models, providing a detailed analysis of their architectures, the hyperparameters used for training, and their evaluation methods. Finally, the research methodology is out-lined, followed by a presentation of the obtained results. This study’s effort to detect the three morphological characteristics (ICM, TE, and ZP) in blastocysts identified the UNet model as the most suitable, as it demonstrated the best overall performance compared to the other two models. The UNet model proved to be the most stable, with strong generalization capabilities and no overfitting issues. The Intersection over Union (IoU) metric evaluation for the detection of ICM is reported to be 67.05%, 56.88% for TE, and 63.65% for ZP. Lastly, suggestions for improvements are provided in order to enhance the performance of the DeepLab and PSPNet models, as well as strengthen the foundation for the future research in the field of semantic segmen-tation of medical images, particularly blastocyst images.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Ανάλυση βλαστοκύστεων	el
dc.subject.keyword	Εξωσωματική γονιμοποίηση (IVF)	el
dc.subject.keyword	Εσωτερική κυτταρική μάζα (ICM)	el
dc.subject.keyword	Τροφεκτοδερμία (ΤΕ)	el
dc.subject.keyword	Πυκνή μάζα (ZP)	el
dc.subject.keyword	Τμηματοποίηση	el
dc.subject.keyword	Σημασιολογική τμηματοποίηση	el
dc.subject.keyword	UNet	el
dc.subject.keyword	DeepLab	el
dc.subject.keyword	PSPNet	el
dc.date.defense	2025-04-02

Αρχεία σε αυτό το τεκμήριο

Name:: Tomaras_me2329.pdf
Μέγεθος:: 3.442Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα