Συντάχθηκε 21-07-2026 07:36
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 21/07/2026 13:00
Λήξη: 21/07/2026 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Κωνσταντίνου Πεσλή
με θέμα
Πολυτροπική Κατάτμηση Εγκεφάλου με χρήση Βαθιάς Μάθησης
Multimodal Brain Tumor Segmentation with Deep Learning Techniques
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Δρ Ελευθερία Σεργάκη
Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται την αυτόματη τμηματοποίηση εγκεφαλικών όγκων από πολυτροπικές εικόνες μαγνητικής τομογραφίας (MRI) με χρήση τεχνικών βαθιάς μάθησης. Η ακριβής τμηματοποίηση των υποπεριοχών ενός όγκου αποτελεί κρίσιμο βήμα για τη διάγνωση, τον σχεδιασμό θεραπείας και την παρακολούθηση της εξέλιξης της νόσου, ωστόσο η χειροκίνητη διαδικασία είναι ιδιαίτερα χρονοβόρα και παρουσιάζει σημαντική μεταβλητότητα μεταξύ διαφορετικών ειδικών.
Στο πλαίσιο της εργασίας χρησιμοποιήθηκε το σύνολο δεδομένων BraTS 2020 και υλοποιήθηκαν διαφορετικές αρχιτεκτονικές βασισμένες στο U-Net. Συγκεκριμένα, αναπτύχθηκαν και συγκρίθηκαν ένα βασικό 2D Shallow U-Net, καθώς και εκδόσεις του U-Net με encoders VGG-19, ResNet-50 και Inception V3. Επιπλέον, σχεδιάστηκε και αξιολογήθηκε ένα μοντέλο 3D U-Net με χρήση Conv3D επιπέδων, ώστε να αξιοποιηθεί η πλήρης τρισδιάστατη χωρική πληροφορία των δεδομένων MRI.
Η αξιολόγηση όλων των μοντέλων πραγματοποιήθηκε με 5-fold cross-validation, χρησιμοποιώντας ως κύρια μετρική τον Dice Similarity Coefficient για τις υποπεριοχές Whole Tumor (WT), Tumor Core (TC) και Enhancing Tumor (ET). Τα αποτελέσματα έδειξαν ότι μεταξύ των δισδιάστατων μοντέλων η καλύτερη απόδοση επιτεύχθηκε από το Inception V3 U-Net, ενώ το 3D U-Net παρουσίασε τη συνολικά υψηλότερη ακρίβεια, επιτυγχάνοντας μέσες τιμές Dice 0.85 για τις περιοχές WT και TC και 0.79 για την περιοχή ET. Η εργασία καταδεικνύει τα σημαντικά πλεονεκτήματα των τρισδιάστατων αρχιτεκτονικών στην τμηματοποίηση ιατρικών εικόνων και συμβάλλει στη συγκριτική αξιολόγηση σύγχρονων προσεγγίσεων βαθιάς μάθησης για εφαρμογές νευροαπεικόνισης.
Abstract
This thesis investigates the automatic segmentation of brain tumors from multimodal Magnetic Resonance Imaging (MRI) scans using deep learning techniques. Accurate segmentation of tumor subregions is a critical step in diagnosis, treatment planning, and disease monitoring. However, manual segmentation is a time-consuming process and is subject to considerable inter-observer variability among medical experts.
In this study, the BraTS 2020 dataset was utilized, and several U-Net-based architectures were implemented and evaluated. Specifically, a baseline 2D Shallow U-Net was developed and compared with U-Net models employing VGG19, ResNet50, and InceptionV3 as encoder backbones. Furthermore, a 3D U-Net model incorporating Conv3D layers was designed and assessed in order to exploit the full three-dimensional spatial information available in MRI volumes.
The performance of all models was evaluated using 5-fold cross-validation, with the Dice Similarity Coefficient serving as the primary evaluation metric for the Whole Tumor (WT), Tumor Core (TC), and Enhancing Tumor (ET) regions. The experimental results demonstrated that, among the two-dimensional models, the InceptionV3 U-Net achieved the best overall performance. However, the 3D U-Net outperformed all other architectures, achieving mean Dice scores of 0.85 for the WT and TC regions and 0.79 for the ET region. These findings highlight the significant advantages of three-dimensional deep learning architectures for medical image segmentation and contribute to the comparative evaluation of modern deep learning approaches for neuroimaging applications.
