Ανάπτυξη συστήματος υποστήριξης ιατρικών αποφάσεων με χρήση προηγμένων τεχνικών μηχανικής μάθησης και εξόρυξης δεδομένων στην Πυρηνική Ιατρική

Περίληψη

Οι εφαρμογές της Βαθιάς Μάθηση (ΒΜ) συναντώνται σε πολλούς τομείς ανθρώπινης δραστηριότητας. Η επεξεργασία εικόνας και βίντεο, η ανίχνευση αντικειμένων, η τμηματοποίηση αντικειμένων, η σύνθεση εικόνας και βίντεο είναι μερικές από τις πιο δημοφιλείς εφαρμογές της ΒΜ. Η ΒΜ έχει επιτύχει αξιοσημείωτα αποτελέσματα σε σχετικές εργασίες και έχει αποδειχθεί ότι είναι ανώτερη από τις συμβατικές μεθόδους Μηχανικής Μάθησης (ΜΜ).Η καινοτομία της ΒΜ έγκειται στην εξαγωγή χαρακτηριστικών/ιδιοτήτων. Σε αντίθεση με τη ΜΜ, επιτρέπει την αυτόματη εξαγωγή εκατομμυρίων πιθανών σημαντικών χαρακτηριστικών από κάθε είδους δεδομένα εισόδου. Πριν από την εποχή της Βαθιάς Μάθησης, η εξαγωγή χαρακτηριστικών ήταν περιορισμένη. Τα δίκτυα ΒΜ διαθέτουν μεθόδους για την επίτευξη τόσο της εξαγωγής χαρακτηριστικών όσο και της αξιολόγησης χαρακτηριστικών, φτάνοντας έτσι σε αποφάσεις φιλτράροντας μερικές από τις άσχετες εξαγόμενες πληροφορίες. Το καινοτόμο της μεθόδου είναι το γεγονός ότι τα δεδομένα εισόδου υπόκεινται ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Deep Learning (DL) has become dominant in computer vision and its applications are broadly met in several domains. Image and video processing, object detection, object segmentation, and image/video synthesis are some of the most popular applications of DL. DL has attained remarkable results in such fields and has proven to be superior to conventional Machine Learning (ML) methods.DL’s innovation lies in massive and automatic feature extraction. In contrary with ML, it enables the automatic extraction of millions of potential significant features from any kind of input source. Before the era of Deep Learning, feature extraction was constrained. DL networks are endowed with methods to achieve both feature extraction and feature assessment, thereby reaching to decisions by filtering out some of the irrelevant extracted features. The advances in computational capabilities over the recent years have catalyzed the implementation of DL, even in tasks where ML has undeniable success already. D ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/51669
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/51669
ND
51669
Εναλλακτικός τίτλος
Development of a medical decision support system using advanced machine learning and data mining techniques in Nuclear Medicine
Συγγραφέας
Αποστολόπουλος, Ιωάννης του Δημήτριος
Ημερομηνία
2022
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής
Εξεταστική επιτροπή
Παναγιωτάκης Γεώργιος
Παπαθανασίου Νικόλαος
Κωτσιαντής Σωτήριος
Καγκάδης Γεώργιος
Κωσταρίδου Ελένη
Ευσταθόπουλος Ευστάθιος
Ζαμπάκης Πέτρος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΒιοϊατρική Μηχανική ➨ Βιοϊατρική μηχανική
Ιατρική και Επιστήμες ΥγείαςΙατρική Βιοτεχνολογία ➨ Ιατρική βιοτεχνολογία
Λέξεις-κλειδιά
Βαθιά μάθηση; Μηχανική μάθηση; Ιατρική απεικόνιση; Πυρηνική ιατρική
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.