Χρήση συνελικτικών νευρωνικών δικτύων για την ανίχνευση COVID-19 σε ακτινογραφικές θώρακα

Abstract

Το κίνητρο πίσω από αυτή την εργασία πηγάζει από τις αξιοσημείωτες προόδους που σημειώθηκαν στον τομέα της επεξεργασίας και αναγνώρισης εικόνων με τη χρήση αλγορίθμων βαθιάς μάθησης τα τελευταία χρόνια, καθώς και από τις βαθιές επιπτώσεις της πανδημίας του Covid-19. Η ταχεία εξάπλωση του ιού δημιούργησε την επείγουσα ανάγκη ενίσχυσης του τομέα της υγειονομικής περίθαλψης με τεχνολογίες αιχμής ώστε να βελτιωθεί η ιατρική περίθαλψη των ασθενών. Η εκθετική ανάπτυξη της έρευνας στον τομέα της επεξεργασίας και αναγνώρισης εικόνων έχει ανοίξει νέους δρόμους για την αξιοποίηση εξελιγμένων τεχνικών στην ιατρική διάγνωση. Ειδικότερα, η ταξινόμηση εικόνας έχει αναδειχθεί σε πολύτιμο εργαλείο στην ακτινολογία για να βοηθήσει τους γιατρούς να εντοπίσουν ανωμαλίες σε ακτινογραφίες. Αξιοποιώντας τη δύναμη της βαθιάς μάθησης και των συνελικτικών νευρωνικών δικτύων, επιδιώκουμε να αξιοποιήσουμε αυτές τις εξελίξεις για την ανάπτυξη αποτελεσματικών μοντέλων για την ανίχνευση του Covid-19. Η παρούσα διπλωματική έχει ως σκοπό τη διερεύνηση της αποτελεσματικότητας των τεχνικών βαθιάς μηχανικής μάθησης στην ανάλυση εικόνων ακτινογραφίας θώρακα και πιο συγκεκριμένα για να προσδιοριστεί εάν ένας ασθενής πάσχει ή έπασχε από Covid-19 ή όχι. Για την εκπόνηση αυτής της εργασίας έγινε χρήση ενός μεγάλου συνόλου δεδομένων από ακτινογραφίες του θώρακα που συλλέχθηκαν από ασθενείς που διαγνώστηκαν είτε θετικά είτε αρνητικά στο Covid-19. Χρησιμοποιήθηκαν μοντέλα βαθιάς μάθησης, για την εξαγωγή ουσιαστικών χαρακτηριστικών και συμπερασμάτων από τις εικόνες και την ταξινόμησή τους σε κατηγορίες θετικών ή αρνητικών. Τα αναμενόμενα αποτελέσματα της παρούσας εργασίας σκοπό έχουν να εξετάσουν ποσό κοντά μπορούμε να φτάσουμε στη σωστή διάγνωση με την βοήθεια της τεχνητής νοημοσύνης . Ωστόσο , σε καμία περίπτωση δεν μπορεί να παρακάμψει έναν επιστήμονα υγείας.