Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39222Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κεβρεκίδου, Θεανώ Ειρήνη | el |
| dc.date.accessioned | 2025-07-18T09:38:46Z | - |
| dc.date.available | 2025-07-18T09:38:46Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39222 | - |
| dc.rights | CC0 1.0 Universal | * |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
| dc.subject | Κατάτμηση Εικόνων,Νευρωνικά Δίκτυα | el |
| dc.subject | 3D U-Net,Level Set,Dice Coefficient,3D Volumetric Data | en |
| dc.title | Εφαρμογή και αξιολόγηση του μοντέλου 3D U-Net για την κατάτμηση εικόνων αξονικής τομογραφίας | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.dateAvailable | 2025-07-18T09:39:46Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2025-07 | - |
| heal.abstract | Η τμηματοποίηση ιατρικών εικόνων αποτελεί κρίσιμη πρόκληση στη σύγχρονη βιοϊατρική ανάλυση, απαιτώντας ακριβή διαχωρισμό ανατομικών δομών σε δεδομένα υψηλής διάστασης και πολυπλοκότητας. Η εφαρμογή νευρωνικών δικτύων είναι αναγκαία για την αυτοματοποιημένη και αποτελεσματική τμηματοποίηση, λόγω της ικανότητάς τους να μαθαίνουν σύνθετα χωρικά πρότυπα από πολυδιάστατα σύνολα δεδομένων. Παρά την επιτυχία τους, οι βασικές συναρτήσεις απώλειας (loss functions), όπως η Cross-Entropy και η Dice Loss, αν και αποδοτικές, δεν εκμεταλλεύονται πάντα πλήρως τις μορφολογικές ιδιότητες, περιορίζοντας την ομαλότητα και την ακριβή προσέγγιση των ορίων. Για τον λόγο αυτό, πρόσφατες προσεγγίσεις έχουν εισαγάγει μορφολογικούς περιορισμούς μέσω ειδικών loss functions όπως οι Level Set Loss και Geodesic Active Contour Loss. Στην παρούσα εργασία μελετήθηκε η εφαρμογή και συγκριτική αξιολόγηση του 3D U-Net σε προβλήματα τρισδιάστατης τμηματοποίησης ιατρικών εικόνων, με ειδική εστίαση στο δημόσιο dataset KiTS19, ένα από τα πιο απαιτητικά σύνολα δεδομένων που αφορά την τμηματοποίηση νεφρού και όγκου από αξονικές τομογραφίες. Για την αντιμετώπιση αυτού του προβλήματος υλοποιήθηκαν και συγκρίθηκαν δύο παραλλαγές του μοντέλου 3D U-Net. Η βασική παραλλαγή αξιοποιεί τις κλασικές συναρτήσεις κόστους Cross-Entropy και Dice, ενώ η προτεινόμενη εκδοχή ενσωματώνει επιπλέον μία παραλλαγή των συναρτήσεων Level Set Loss (LSF) και Geodesic Active Contour Loss (GAC). Οι δύο αυτές συναρτήσεις αποδείχθηκε ότι βοήθησαν στην πιο ομαλή και ακριβή τμηματοποίηση. Συγκεκριμένα, η Level Set Loss διαμορφώνεται ώστε το δίκτυο να παράγει απευθείας συναρτήσεις απόστασης (signed distance functions) για κάθε κλάση αντί απλών πιθανοτήτων, ενθαρρύνοντας τον σαφή διαχωρισμό προσκηνίου και φόντου και βελτιώνοντας την ευκρίνεια των ορίων. Η Geodesic Active Contour Loss αποτελεί μια απλουστευμένη αλλά αποτελεσματική υλοποίηση της κλασικής ενεργειακής μεθόδου των ενεργών περιγραμμάτων (active contours), συνδυάζοντας δύο όρους: έναν όρο μήκους καμπύλης και έναν όρο περιοχής. Η αξιολόγηση των μοντέλων διεξήχθη με βάση τον δείκτη Dice και τις αντίστοιχες καμπύλες εκπαίδευσης/επικύρωσης για κάθε κατηγορία (υπόβαθρο, νεφρό, όγκος). Τα αποτελέσματα αποκάλυψαν την προφανή υπεροχή του εμπλουτισμένου μοντέλου (DICE+CE+LSF+GAC), το οποίο πέτυχε ανώτερες τιμές Dice για τις απαιτητικές κατηγορίες νεφρού και όγκου. Συμπερασματικά, η εργασία αναδεικνύει τη σημασία της επιλογής κατάλληλου πολυπαραγοντικού loss στην τμηματοποίηση ιατρικών εικόνων. Με βάση τα παραπάνω, η μελλοντική έρευνα θα μπορούσε να επικεντρωθεί στη βελτίωση των loss functions και τον εμπλουτισμό των δεδομένων. Η μελέτη αυτή αποδεικνύει ότι η ενσωμάτωση προχωρημένων συναρτήσεων απώλειας σε αρχιτεκτονικές 3D U-Net μπορεί να προσδώσει ουσιαστική βελτίωση στην ακρίβεια και τη γενικευσιμότητα των ιατρικών τμηματοποιήσεων. | el |
| heal.abstract | Medical image segmentation is a critical challenge in modern biomedical analysis, which requires accurate separation of anatomical structures in complex, high dimensional data. The application of neural networks is essential for automated and efficient segmentation, due to their ability to learn complex spatial patterns from multidimensional datasets. Despite their success, basic loss functions such as Cross- Entropy and Dice Loss, while effective, do not always fully exploit morphological properties, limiting the smoothness and accuracy of boundaries. Consequently, newer methodologies have included morphological limitations via specific loss functions, such as Level Set Loss and Geodesic Active Contour Loss. This study examined the implementation and comparative assessment of the 3D U-Net model for 3D medical image segmentation tasks, specifically targeting the public KiTS19 dataset, which is recognized as one of the most challenging datasets for kidney and tumor segmentation from computed tomography (CT) scans. Two variants of the 3D U-Net model were developed and evaluated to tackle this issue. The baseline variation employed traditional loss functions, namely Cross-Entropy and Dice Loss, while the proposed version integrated supplementary types of Level Set Loss (LSF) and Geodesic Active Contour Loss (GAC). These two loss functions exhibited enhancements in generating smoother and more precise segmentations. Specifically, the Level Set Loss (LSF) is formulated to enable the network to directly produce signed distance functions for each class instead of simple probabilities, encouraging clear foreground-background separation and enhancing boundary sharpness. The Geodesic Active Contour Loss (GAC) is a simplified yet effective implementation of the classical active contour energy method, combining two terms: a length term and a region term. The models were evaluated based on the Dice coefficient and corresponding training/validation curves for each category (background, kidney, tumor). The results revealed the clear superiority of the enhanced model (DICE+CE+LSF+GAC), which achieved higher Dice scores for the challenging kidney and tumor categories. This study underscores the significance of selecting the appropriate combination of loss functions for medical image segmentation. Employing sophisticated loss functions that use both shape and regional information enhances the model’s ability to generate more precise and smoother borders. This is particularly crucial when addressing complex circumstances such as renal and tumor segmentation. Based on these findings, future research could focus on improving loss functions and enriching the dataset. This study demonstrates that integrating advanced loss functions into 3D U-Net architectures can provide significant improvements in accuracy and generalizability for medical image segmentation. | en |
| heal.advisorName | Νίκου, Χριστόφορος | el |
| heal.committeeMemberName | Κόντης, Λυσίμαχος-Παύλος | el |
| heal.committeeMemberName | Μανής, Γεώργιος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 72 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ThesisKevrekidou.pdf | 3.14 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
