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

Σπύρου, Ευαγγελία - Μαρία

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Σπύρου, Ευαγγελία - Μαρία
dc.date.accessioned	2026-01-09T16:28:32Z
dc.date.available	2026-01-09T16:28:32Z
dc.date.issued	2024-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18741
dc.description.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.	el
dc.format.extent	80	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	Χρήση συνελικτικών νευρωνικών δικτύων για την ανίχνευση COVID-19 σε ακτινογραφικές θώρακα	el
dc.title.alternative	Using convolutional neural networks to detect COVID-19 in chest X-rays	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	The significant advances in image processing and recognition using deep learning algorithms in recent years, as well as the profound impact of the Covid-19 pandemic, provide the motivation for this thesis. The virus's rapid spread has highlighted the urgent need to equip the healthcare sector with innovative technologies to improve patient care. The growth of research in image processing and recognition has created new opportunities for advanced techniques in medical diagnosis. Image classification is a valuable tool in radiology for identifying abnormalities in X- rays. Our aim is to develop effective models for Covid-19 detection by harnessing the power of deep learning and convolutional neural networks. The objective of this study is to assess the efficacy of deep machine learning methods in analyzing chest X-rays, specifically in identifying the presence or absence of Covid- 19 in patients. This study used a large dataset of chest radiographs collected from patients diagnosed as either positive or negative for Covid-19. Deep learning models were employed to extract meaningful features and inferences from the images and classify them into positive or negative categories. The expected results of this paper are intended to examine how close we can get to the correct diagnosis with the help of artificial intelligence. However, in no way can it bypass a health scientist.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Συνελικτικά Νευρωνικά Δίκτυα (ΣΝΔ)	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	COVID-19	el
dc.subject.keyword	Ακτινογραφία	el
dc.date.defense	2024-03

Files in this item

Name:: Spyrou_ME2056.pdf
Size:: 1.556Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα