| dc.contributor.advisor | Μαγκλογιάννης, Ηλίας | |
| dc.contributor.author | Αλατσεράκης, Εμμανουήλ | |
| dc.date.accessioned | 2025-09-05T11:54:22Z | |
| dc.date.available | 2025-09-05T11:54:22Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18092 | |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία εξετάζεται η ανάπτυξη και αξιολόγηση ενός
μοντέλου τύπου CLIP (Contrastive Language-Image Pre-training) προσαρμοσμένου σε
ιατρικά δεδομένα δερματικής φύσεως, με στόχο τη δυνατότητα αυτόματης
κατηγοριοποίησης και διάγνωσης ιατρικών εικόνων βάσει των αντίστοιχων περιγραφών
τους. Ο απώτερος στόχος είναι η δημιουργία ενός συστήματος που θα μπορεί να
επεξεργάζεται ένα ευρύ φάσμα ιατρικών εικόνων και να συμβάλλει στη διαδικασία
διάγνωσης, μέσω της συσχέτισής τους με κατάλληλο ιατρικό κείμενο.
Χρησιμοποιήθηκαν δύο σύνολα δεδομένων: το ISIC, στο οποίο το μικρό ποσοστό
παθολογικών περιπτώσεων και η χαμηλή ποικιλία περιγραφών οδήγησαν σε δυσκολία
εκμάθησης του μοντέλου, και το SkinCAP. Η συμπύκνωση των περιγραφών στο SkinCAP
σύνολο δεδομένων πραγματοποιήθηκε με χρήση του μοντέλου T5-small, ενώ
δοκιμάστηκαν διάφοροι αλγόριθμοι επεξεργασίας εικόνας και κειμένου. Με ρύθμιση του
learning rate στο 10−6 και του temperature στο 0.06, το μοντέλο εμφάνισε βελτιωμένη
απόδοση μετά από 25 εποχές εκπαίδευσης, επιτυγχάνοντας ικανοποιητική συσχέτιση
εικόνων και σωστών διαγνώσεων, με μικρές αποκλίσεις σε επίπεδο λεπτομερούς
περιγραφής.
Τα αποτελέσματα δείχνουν πως το CLIP μπορεί να προσαρμοστεί με επιτυχία σε
ιατρικά δεδομένα, προσφέροντας μια υποσχόμενη προσέγγιση για την ενίσχυση
συστημάτων υποβοηθούμενης ιατρικής διάγνωσης. Η εργασία καταδεικνύει τη σημασία
της συνδυαστικής αξιοποίησης εικόνων και φυσικής γλώσσας στον τομέα της ιατρικής
πληροφορικής. | el |
| dc.format.extent | 83 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Προσαρμογή και αξιολόγηση μοντέλου CLIP σε ιατρικά δεδομένα για δερματολογική διάγνωση | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This thesis focuses on the development and evaluation of a CLIP (Contrastive
Language-Image Pre-training) model adapted to dermatological medical data, aiming to
enable automatic classification and diagnosis of medical images based on their textual
descriptions. The ultimate goal is to create a system capable of processing a wide range
of medical images and assisting in the diagnostic process through the alignment of
images with relevant medical text.
Two datasets were used: ISIC, where the low proportion of pathological cases and
limited descriptive diversity hindered the model's ability to learn effectively, and SkinCAP,
where better results were achieved. In SkinCAP dataset text descriptions were
condensed using the T5-small model, and a variety of image and text processing
algorithms were tested. With a learning rate set to 10−6 and temperature to 0.06, the
model demonstrated improved performance after 25 training epochs, achieving
satisfactory alignment between images and accurate diagnoses, with small deviations at
the level of detailed description.
The results indicate that CLIP can be successfully adapted to medical data, offering a
promising approach to enhancing computer-assisted diagnostic systems. This work
highlights the importance of combining visual and textual information in the field of
medical informatics. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | CLIP μοντέλο | el |
| dc.subject.keyword | Επεξεργασία φυσικής γλώσσας | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Ιατρικά δεδομένα | el |
| dc.date.defense | 2025-07-07 | |
