Νταμπάκης Νικόλαος (Υποψήφιος Διδάκτορας)

Τίτλος διατριβής: Ολιστικές μέθοδοι βαθιάς μάθησης σε ιατρικές εικόνες/σήματα

Επιβλέπων: Γουλιάνας Κωνσταντίνος

Μέλη Συμβουλευτικής Επιτροπής:

Κωνσταντίνος Διαμαντάρας, Καθηγητής, Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ
Ιωάννα Χουβαρδά, Καθηγήτρια, Τμήμα Ιατρικής, ΑΠΘ

Περίληψη:

Περιοχή έρευνας

Η βαθιά μηχανική μάθηση είναι ένα πεδίο της τεχνητής νοημοσύνης που
ασχολείται με το σχεδιασμό και την εκπαίδευση αλγορίθμων που μπορούν να
μάθουν αναπαραστατικά χαρακτηριστικά από δεδομένα υψηλής πολυπλοκότητας
όπως εικόνες, ήχος και κείμενο, και να χρησιμοποιήσουν αυτά τα χαρακτηριστικά
για την επίλυση προβλημάτων πρόβλεψης, ταξινόμησης, αναγνώρισης κλπ. Η βαθιά
μάθηση στηρίζεται στις νευρωνικές δικτυώσεις και σε σχετικές τεχνικές όπως η
συνέλιξη και η αναδρομική εκμάθηση. Η εφαρμογή τεχνικών βαθιάς μάθησης
στην ανάλυση ιατρικών εικόνων και σημάτων αποτελεί σήμερα ένα από τα πιο
δυναμικά πεδία έρευνας στον τομέα της ιατρικής εικόνας και σήματος. Η εφαρμογή
αυτών των τεχνικών έχει ήδη οδηγήσει σε σημαντική βελτίωση της δυνατότητας
ανάλυσης ιατρικών εικόνων και σημάτων, με συνέπεια την παροχή καλύτερης
θεραπείας σε ασθενείς. Η έρευνα στο πεδίο αυτό επικεντρώνεται σε διάφορα
θέματα, όπως η αναγνώριση μεταβολών σε εικόνες με ανώμαλες αλλαγές, η
αυτόματη αναγνώριση καρκίνου, η ανίχνευση αλλαγών σε σήματα
παρακολούθησης ασθενών και πολλά άλλα. Η χρήση τεχνικών βαθιάς μάθησης σε
αυτούς τους τομείς έχει ήδη δείξει ότι μπορεί να παρέχει πολύ υψηλά επίπεδα
ακρίβειας και αξιοπιστίας στην ανάλυση ιατρικών εικόνων και σημάτων.

Στόχοι – Μεθοδολογία ‘Έρευνας
Οι στόχοι της έρευνας που θα διεξαχθεί είναι η ανάπτυξη νέων μεθόδων βαθιάς
μάθησης που να είναι συνολικές (ολιστικές) – από την δημιουργία του προβλεπτικού
μοντέλου μέχρι τις επεξηγηματικές προσεγγίσεις των προβλέψεών του – που θα
μπορούν να εφαρμοστούν σε ιατρικές εικόνες και σήματα. Η έρευνα αποσκοπεί
στην ανάπτυξη νέων αλγορίθμων που θα βελτιώνουν την ακρίβεια και την ταχύτητα
της ανίχνευσης, της ταξινόμησης και της αναγνώρισης παθήσεων σε ιατρικές
εικόνες και σήματα όπως και αξιόπιστες και διαφανείς πρακτικές κατά την
εφαρμογή της εξηγήσιμης τεχνιτής νοημοσύνης.
Η μεθοδολογία που θα ακολουθηθεί στα πλαίσια του διδακτορικού θα
περιλαμβάνει τις εξής δραστηριότητες:
• Πρώτο έτος:
o Συλλογή και επεξεργασία δεδομένων από διάφορες πηγές που θα
χρησιμοποιηθούν στη συνέχεια για την εκπαίδευση και αξιολόγηση
των μοντέλων βαθιάς μάθησης.
o Ανάλυση της βιβλιογραφίας για τις υπάρχουσες μεθόδους βαθιάς
μάθησης και αξιολόγηση των πιο σημαντικών και σχετικών εργασιών
στον τομέα.
o Σχεδιασμός και ανάπτυξη νέων αλγορίθμων βαθιάς μάθησης και
προγραμματισμός τους σε κατάλληλο λογισμικό.
• Δεύτερο έτος:
o Αξιολόγηση των αλγορίθμων που αναπτύχθηκαν στο πρώτο έτος, σε
διάφορα σετ δεδομένων και επιλογή των πλέον κατάλληλων για
περαιτέρω βελτιστοποίηση.
o Σύγκριση των αποτελεσμάτων των αλγορίθμων που αναπτύχθηκαν με
αυτά των υπαρχουσών μεθόδων στον τομέα της βαθιάς μάθησης.
• Τρίτο έτος:
o Συνέχιση της αξιολόγησης των αλγορίθμων σε πραγματικά σετ
δεδομένων και στην περαιτέρω βελτίωση της ακρίβειας και της
απόδοσης των μεθόδων αυτών.
o Συνέχιση της ανάλυσης της βιβλιογραφίας για να εξεταστούν οι
τελευταίες εξελίξεις στον τομέα της βαθιάς μάθησης και να
εξεταστούν οι πιθανότητες επέκτασης της μεθοδολογίας σε νέους
τομείς.
o Προσπάθεια επέκτασης της μεθοδολογίας για να συμπεριλάβει την
εξέταση της επίδρασης διαφόρων υπερπαραμέτρων στα
αποτελέσματα της βαθιάς μάθησης.