Βαθιά μάθηση με εφαρμογές στην ιατρική

Αθανασίου, Αντώνιος

Deep learning with applications in medicine

Πτυχιακή εργασία

Author

Αθανασίου, Αντώνιος

Date

2018-11-08

Abstract

Η βαθιά μάθηση αποτελεί μέρος μιας ευρύτερης οικογένειας της μηχανικής μάθησης και βρίσκεται στην αιχμή της τεχνολογίας. Είναι μία τεχνική μηχανικής μάθησης η οποία διδάσκει στους υπολογιστές να πράττουν αυτό που στους ανθρώπους έρχεται φυσικά: μάθηση μέσω παραδειγμάτων. Η βαθιά μάθηση είναι η βασική τεχνολογία πίσω από τα αυτόνομα οχήματα και αποτελεί το κλειδί του φωνητικού ελέγχου σε καταναλωτικές συσκευές. Η συγκεκριμένη εργασία θα εμβαθύνει στις εφαρμογές της στην Ιατρική, πιο συγκεκριμένα στη δημιουργία ενός μοντέλου εκπαίδευσης το οποίο θα μπορεί να κατηγοριοποιεί αξονικές τομογραφίες θώρακα σύμφωνα με την ύπαρξη ή μη καρκίνου του πνεύμονα στον ασθενή. Στην εργασία χρησιμοποιήθηκε ή υψηλού επιπέδου γλώσσα προγραμματισμού Python,η Tensor Flow, μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα για προγραμματισμό ροής δεδομένων καθώς και μία πληθώρα βιβλιοθηκών που κατέστησαν δυνατή τη χρήση και επεξεργασία των ιατρικών δεδομένων. Τα ιατρικά δεδομένα που χρησιμοποιήθηκαν πάρθηκαν από τον διαγωνισμό Data Science Bowl 2017 του Kaggle.

Abstract

Deep learning is part of a broader family of machine learning and is at the cutting edge of technology. Deep learning is a machine learning technique that teaches computers to do what comes naturally to humans: learn by example. Deep learning is a key technology behind driverless cars and the key to voice control in consumer devices. This particular work will delve into its applications in Medicine, specifically in the creation of a training model that can classify computed tomography scans of the thorax according to whether or not the patient has lung cancer. In this dissertation, Python, a high-level programming language, Tensor Flow, an open-source software library for dataflow programming, as well as a plethora of libraries were utilized to make possible the use and process of the medical data. The medical data used was taken from the Kaggle Data Science Bowl 2017 competition.

Number of pages

Faculty

Σχολή Τεχνολογικών Εφαρμογών

Academic Department

Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

Language

Greek

URI

http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4923

Collections

Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

Show full item record

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