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:20250630T092515Z LAST-MODIFIED:20250630T092515Z DTSTAMP:20260607T021506Z UID:1780787706@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Ηλέκτρας-Δέσποινας Παπαματθαιάκη - 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=7868&cHash=f0 2350b310fc2d51da693d8c83091c45\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΗΛ ΕΚΤΡΑΣ-ΔΕΣΠΟΙΝΑΣ ΠΑΠΑΜΑΤΘΑΙΑΚΗ\n με θέμα\n Ανάλυση και Τμηματοποίηση Στε φανιαίων Αρτηριών χρησιμοποιώντας Πρ οηγμένες Τεχνικές Βαθιάς Μάθησης\n A nalysis and Segmentation of Coronary Arteries using Novel Deep Learning Techniques\n  \n Εξεταστική Επιτροπή \n Καθηγητής Ζερβάκης Μιχαήλ (Επιβλέ πων)\n Καθηγητής Σπυρόπουλος Θρασύβο υλος\n Καθηγητής Σταυρουλάκης Γεώργι ος (Σχολή ΜΠΔ)\n \n Περίληψη\n Η στε φανιαία νόσος (CAD) συγκαταλέγεται μ εταξύ των κύριων αιτιών θανάτου παγκ οσμίως. Δεδομένου ότι οι υφιστάμενες διαγνωστικές μέθοδοι είναι κυρίως ε πεμβατικές, παρατηρείται αυξανόμενο ενδιαφέρον για την ανάπτυξη ακριβών, μη επεμβατικών εναλλακτικών λύσεων. Στο πλαίσιο αυτό, οι εξελίξεις στη βαθιά μάθηση έχουν αποδειχθεί καθορι στικές για την εκτίμηση διαγνωστικών δεικτών. Η ακριβής τρισδιάστατη μον τελοποίηση των στεφανιαίων αρτηριών είναι ζωτικής σημασίας για την υποστ ήριξη αξιόπιστων, μη επεμβατικών δια γνωστικών διαδικασιών. Η παρούσα διπ λωματική εργασία διερευνά τη χρήση τ εχνικών βαθιάς μάθησης για την τμημα τοποίηση των στεφανιαίων αρτηριών σε εικόνες αξονικής στεφανιογραφίας (C TA), με στόχο τη διευκόλυνση της έγκ αιρης διάγνωσης και τη βελτίωση των θεραπευτικών παρεμβάσεων. Συγκρίνοντ αι και αξιολογούνται δύο μοντέλα: το Basic U-Net, ένα συνελικτικό νευρων ικό δίκτυο (CNN), και το UNETR, ένα μοντέλο βασισμένο σε αρχιτεκτονική τ ύπου transformer. Και τα δύο μοντέλα υλοποιούνται στο ίδιο υπολογιστικό πλαίσιο, ώστε να διασφαλιστεί άμεση και δίκαιη σύγκριση.\n Λαμβάνοντας υ πόψη το αυξανόμενο ενδιαφέρον για τι ς αρχιτεκτονικές transformer στον ια τρικό τομέα, η παρούσα σύγκριση αποσ κοπεί στην αξιολόγηση του κατά πόσο αυτές οι τεχνικές παρουσιάζουν ουσια στική προοπτική για την πρόοδο της έ ρευνας στην τμηματοποίηση ιατρικών ε ικόνων. Αν και τα πειραματικά αποτελ έσματα έδειξαν υψηλή ακρίβεια και γι α τα δύο μοντέλα, το Basic U-Net παρ ουσίασε σταθερά καλύτερη απόδοση από το UNETR, ιδίως σε συνθήκες περιορι σμένων δεδομένων και υπολογιστικών π όρων. Η ποσοτική αξιολόγηση με τον Σ υντελεστή Ομοιότητας Dice (DSC) κατέ δειξε μέση τιμή 90,56% για το Basic U-Net, έναντι 89,57% για το UNETR. Π αρόλο που θεωρητικά το UNETR υπερέχε ι στην αποτύπωση εξαρτήσεων μεγάλου εύρους, η απόδοσή του φαίνεται να πε ριορίστηκε από την υψηλή απαίτηση σε δεδομένα και την ευαισθησία του σε υπολογιστικούς περιορισμούς.\n Τα ευ ρήματα αυτά καταδεικνύουν ότι οι συν ελικτικές αρχιτεκτονικές παραμένουν πιο αξιόπιστες σε περιβάλλοντα με πε ριορισμένους πόρους και υπογραμμίζου ν τη σημασία της επιλογής κατάλληλου μοντέλου και του μεγέθους του συνόλ ου δεδομένων στις ιατρικές εφαρμογές αυτού του πεδίου. Συνολικά, η παρού σα έρευνα επιβεβαιώνει ότι η βαθιά μ άθηση είναι εφαρμόσιμη για την τμημα τοποίηση των στεφανιαίων αρτηριών κα ι ενισχύει περαιτέρω την προοπτική α ξιοποίησής της σε μη επεμβατικές δια γνωστικές διαδικασίες για τη στεφανι αία νόσο.\n Abstract \n Coronary Art ery Disease (CAD) is among the princ ipal causes of death globally. Since current diagnostic methods are prim arily invasive, there is an increasi ng interest in accurate, non-invasiv e alternatives. In this regard, deep learning developments have proven p ivotal in estimating diagnostic indi ces. 3D modeling of coronary arterie s in an accurate manner is crucial f or enabling dependable, non-invasive diagnostic processes. This thesis e xplores the use of deep learning for coronary arteries segmentation in c omputed tomography angiography (CTA) images, with a view towards facilit ating early diagnosis and improving treatments. Two models are compared and evaluated: Basic U-Net, a convol utional neural network (CNN), and a transformer-based model, UNETR. Both are implemented within the same fra mework so that a direct and fair com parison is ensured.\n Considering th e increasing interest in transformer architectures within the medical fi eld, this comparison intends to asse ss whether they hold tangible potent ial for improving the research in me dical image segmentation. Although e xperimental results indicated that b oth models had high accuracy, Basic U-Net performed consistently better than UNETR, especially when there we re constraints of limited data and c omputational resources. A quantitati ve evaluation using the Dice Similar ity Coefficient (DSC) revealed an av erage score for Basic U-Net of 90.56 %, in comparison to 89.57% for UNETR . Although theoretically, UNETR has an advantage in capturing dependenci es over greater distances, its perfo rmance was likely constrained by its higher data requirements and sensit ivity to computational limitations.  \n These findings indicate that conv olutional architectures remain more reliable under low-resource conditio ns and highlight the importance of m odel selection and dataset size when it comes to medical applications in this field. Overall, the research a ffirms that deep learning is feasibl e for coronary arteries segmentation and further supports its potential application for non-invasive diagnos tic processes for CAD.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250702T110000 DTEND:20250702T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR