BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20220912T133958Z LAST-MODIFIED:20220912T133958Z DTSTAMP:20260615T234244Z UID:1781556164@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Αθανασίου Σοφίας - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=5781&cHash=13 e89dfbf2a639fc810d851f7e06a686\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΑΘ ΑΝΑΣΙΟΥ ΣΟΦΙΑ\n με θέμα\n Χωρική Πλη ροφορία Εξαγώγιμη από Ενδοσκοπική Κά ψουλα, με Επεξεργασία Εικόνας και Εφ αρμογή Μηχανικής Μάθησης\n Endoscopi c Capsule Spatial Awareness by using Image Feature Extraction and Machin e Learning\n Εξεταστική Επιτροπή: \n Ζερβάκης Μιχαήλ, \n Σταυρακάκης Γεώ ργιος\n Σεργάκη Ελευθερία\n Abstract : \n Wireless Endoscopy Capsule beco mes more and more famous since it is the only way for the physicians to have a non-invasive view of the smal l intestine and identify bleeding, p olyps, Crohn’s disease and other abn ormalities of the small intestine. W ireless Capsule Endoscopy is happeni ng with the patient swallowing an el ectronic capsule, the capsule includ es a camera, that way is taking phot ographs of the Gastrointestinal Trac k as it moves from one organ to anot her. Those pictures are transferred to a recorder and from there a softw are is producing a video stream usin g those frames. The journey of the c apsule in gastrointestinal track mig ht last 8 or more hours based on the movement of the track, during that time it will collect more than 50,00 0 to 100,000 pictures producing a lo ng video. Examining that amount of f rames, it is a very time-consuming p rocedure and a tiring task for gastr oenterologists. There are many resea rches that try to reduce that time u sing extra processing of the videos. Nowadays, with the evolution of Mac hine Learning and Artificial Intelli gence for image classification, they are a great supporting tool for phy sicians. \n This thesis studies the spatial information extraction probl em for Wireless Endoscopy Capsule us ing Machine Learning techniques. Bei ng able to locate the endoscopy caps ule can provide doctors with the opp ortunity to examine only the part of the gastrointestinal track that is of their most interest. Moreover, pr oducers of endoscopy capsules can us e such techniques in order to save b attery, by reducing the pictures tra cked in areas that are not of the mo st importance. \n In order to resolv e that problem, we developed three d ifferent Convolution Neural Net-work s models, which achieve the automati c classification of the pictures the y receive to the corresponding organ of the digestive system (esophagus, stomach, small intestine and large intestine). The data we used to trai n and verify our models are from the same col- lection as in the Thesis of Mr. A. Polydorou, at the Electric al and Computer Engineering Departme nt of Technical University of Crete in 2018. For the feature extraction part of the model, Convolutional two -dimensional (Conv2D) and Maxpooling two-dimensional (Max2D) were used w ith ReLU activation function. For th e classification were used Flat- ten and Dense layers with activation fu nction softmax function. In one mode l, there was also use of Dropout in order to randomly disconnect nodes a nd their edges. \n For the validatio n of the performance of our models, we used metrics such as Accuracy(Acc ), Sensitivity(Sens), Specificity(Sp e), Error Rate(Err) and Precision(Pr e). Since it is a multi-class classi fication, those values are calculate d for each organ (or class) individu ally. The best performance among our models holistically comes from Mode l 2 where is providing for esophagus : Accuracy of 95.16%, Error Rate of 4.83%, Precision of 84.84%, Specific ity of 94.73% and Sensitivity of 96. 55%. For stomach provides, Accuracy of 91.93%, Error Rate of 8.06%, Prec ision of 90.9%, Specificity of 96.55 % and Sensitivity of 81.08%. For sma ll intestine, is performing with Acc uracy of 95.96%, Error Rate of 4.03% , Precision of 92.85%, Specificity o f 97.89% and Sensitivity of 89.65%. Finally, for large intestine, Accura cy of 99.19%, Error Rate of 0.8%, Pr ecision of 96.66%, Specificity of 98 .94% and Sensitivity of 100%. \n Περ ίληψη: \n Η ενδοσκοπική κάψουλα γι ́νεται όλο και πιο διάσημη καθώς αποτελεί τον μόνο μη-επεμβατικό τ ρόπο ώστε να υπάρχει μια εικόνα του λεπτού εντέρου, ώστε να αναγν ωριστούν αιμορρα- γίες, πολύποδες , ασθένεια του Crohn και άλλες δυσ μορφίες του βλενογόννου του λεπτου ́ εντέρου. Για την εξέταση ο ασθεν ής καταπίνει την ηλεκτρονική κάψ ουλα, η οποία περιέχει και κάμερα , έτσι μπορεί να λαμβάνει φωτογρα φίες του γαστρεντερολογικού συστή ματος κα- θώς κινείται από το έν α όργανο στο άλλο. Αυτές οι φωτογ ραφίες μεταφέρονται σε έναν υπολο γιστή και με την βοήθεια λογισμικο ύ παράγεται ένα βίντεο το οποίο περιέχει αυτές τις εικόνες. Το τ αξίδι της ενδοσκοπικής κάψουλας μ έσα στο γαστρεντερολογικό σύστημα του ασθενούς μπορεί να διαρκέσει από 8 εώς και περισσότερες ώρες ανάλογα με την κίνηση του. Μέσα σε αυτή την ώρα η κάψουλα λαμβάν ει 50.000 με 100.000 φωτογραφίες πα ράγοντας ένα αρκετά μεγάλο σε δι άρκεια βίντεο. ́Ετσι η διεξοδική εξέταση αυτού του βίντεο αποτελει ́ μια εξαιρετικά χρονοβόρα διαδικα σία για τους γιατρούς. Υπάρχουν π ολλές έρευνες οι οποίες προσπαθου ́ν μέσω προεπεξεργασίας του βίντε ο να μειώσουν αυτό τον χρόνο. Σή μερα, με την εξέλιξη της Μηχανικής Μάθησης και της Τεχνητής Νοημοσύ νης, ειδικά στον τομέα της ταξινό μησης φωτογραφίων, αποτελούν σπουδ αία εργαλεία για τους ειδικούς υγ είας. \n Αυτή η διπλωματική, μελε τάει την εξαγωγή χωρικών πληροφορ ιών της Ενδοσκοπικής κάψου- λας μ ε την χρήση τεχνικών Μηχανικής Μα ́θησης. Το να είμαστε σε θέση να ε ντοπίζουμε την ενδοσκοπική κάψουλ α κατά την πορεία της στο γαστρεντ ερολογικό σύστημα δίνει την δυνα- τότητα στους γιατρούς να εναποθέ σουν ενέργεια στην εξέταση μέρους του βίντεο που αφορά μονάχα το σ ημείο ενδιαφέροντος. Επιπλέον, οι κατασκευαστές της ενδοσκοπικής κα ́ψουλας θα μπορούσαν να χρησιμοποιη ́σουν τα προτεινόμενα μοντέλα ώστ ε να κάνουν εξοικονόμι- ση μπαταρι ́ας όπου δεν χρειαζόμαστε πολλές φωτογραφίες και να λαμβάνουν περισ σότερες λήψεις, όταν αυτό είναι απαραίτητο. \n Για την επίτευξη α υτού, δημιουργήθηκαν 3 διαφορετικα ́ μοντέλα Νευρωνικών Δικτύων, τα οποία επιτυγχάνουν την ταξινόμηση των φωτογραφιών στο αντίστοιχο ό ργανο που ανήκουν. Τα δεδομένα που χρησιμοποιήσαμε έρχονται από την διπλωματική του κ. Α. Πολυδώρου γ ια την σχολή ΗΜΜΥ, του Π.Κ. το 2018 . Για την εξαγωγή των χαρακτηριστικ ών χρησιμοποι- ήθηκαν Convolutiona l επίπεδα και Maxpooling επίπεδα κ αι ReLU activation function. Για την πρόβλεψη χρησιμοποιήθηκαν Flatten και Dense επίπεδα με την χρήση So ftmax activa-tion function. Σε ένα από τα μοντέλα χρησιμοποιήθηκε κα ι Dropout το οποίο αποσυνδέει τυχα ία του κόμβους και όλες τις ακμέ ς τους από το νευρωνικό δίκτυο.\n Για την αξιολόγηση των μοντέλων χ ρησιμοποιήθηκαν μετρήσεις όπως Ac curacy(Acc), Sensitivity(Sens), Spec ificity(Spe), Error Rate(Err) και Pr ecision(Pre). Καθώς είναι ένα προ ́βλη- μα με πολλαπλές τάξεις, οι τ ιμές αυτές υπολογίζονται για κάθ ε όργανο ξεχωριστά. Η κα- λύτερη ολιστικά απόδοση έρχεται από το Μοντέλο 2 το οποίο προσφέρει όσο ν αφορά τις τιμές αυτές και για κ άθε ξεχωριστό όργανο του πεπτικου ́ συστήμα. Για τον οισοφάγο: Accur acy 95.16%, Error Rate 4.83%, Precis ion 84.84%, Specificity 94.73% και S ensitivity 96.55%. Για το στομάχι: Accuracy 91.93%, Error Rate 8.06%, P recision 90.9%, Specificity 96.55% κ αι Sensitivity 81.08%. Για το λεπτό έντερο: Accuracy 95.96%, Error Rat e 4.03%, Precision 92.85%, Specifici ty 97.89% και Sensitivity 89.65%. Τε ́λος, για το παχύ έντερο: Accuracy 99.19%, Error Rate 0.8%, Precision 96.66%, Specificity 98.94% και Sensi tivity 100%. \n Meeting ID: 934 400 1013\n Password: 123456\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20220914T163000 DTEND:20220914T173000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR