Η εφαρμογή της τεχνητής νοημοσύνης στη ψηφιακή μαστογραφία και στη ψηφιακή τομοσύνθεση μαστού
ENGLISH ABSTRACT In recent years, Artificial Intelligence has made remarkable progress in many fields, particularly in medicine. Based on Deep Learning and Artificial Neural Networks, it is used to solve complex problems in a wide range of applications, such as early diagnosis of cancer diseases. According to statistics, breast cancer is the most common type of cancer in women worldwide. To increase the long-term survival rate of patients, important factors are early detection and accurate diagnosis of malignancy. Mammography is the basic imaging method for its early detection. However, the huge number of patients, the severity of the disease, the lack of experience of young doctors and the reduced time of experts, have created the need for the development of intelligent models of artificial intelligence in digital mammography, for the early prediction, management and treatment of breast cancer at an early stage. The purpose of this thesis, is to analyze the advantages and applications of Artificial Intelligence in Digital Mammography(DM) and in Digital Breast Tomosynthesis(DBT). Through scientific databases such as PubMed, Scopus, Google Scholar, NUP Library etc., reference is made to scientific studies regarding artificial intelligence, deep learning, artificial neural networks, their application in early prediction of breast cancer through mammography and the results of their use. Also, reference is made to digital mammography, digital breast tomosynthesis and their evolution, presenting the high success rates with the application of artificial intelligence algorithms. Moreover, using the Python programming language and the Wisconsin Breast Cancer Diagnostic (WBCD) dataset, which is available in the UCI machine learning repository, a breast cancer prediction program was implemented using five evaluation models and the results of its implementation are presented. Finally, reference is made to the evolutionary method of medical image analysis, radiomics, which is based on the application of artificial intelligence methods.
Thesis
Τα τελευταία χρόνια η τεχνητή νοημοσύνη έχει σημειώσει αξιοσημείωτη πρόοδο σε πολλούς τομείς, ιδιαίτερα στην ιατρική. Βασισμένη στη Βαθιά μάθηση και στα Τεχνητά Νευρωνικά Δίκτυα, χρησιμοποιείται για την επίλυση σύνθετων προβλημάτων σε ένα ευρύ φάσμα εφαρμογών, όπως την πρώιμη διάγνωση ασθενειών με καρκίνο. Σύμφωνα με στατιστικές, ο καρκίνος του μαστού αποτελεί τον συχνότερο τύπο καρκίνου στις γυναίκες παγκοσμίως. Για την αύξηση του ποσοστού μακροπρόθεσμης επιβίωσης των ασθενών, σημαντικοί παράγοντες είναι η έγκαιρη ανίχνευση και η ακριβής διάγνωση της κακοήθειας. Η μαστογραφία αποτελεί τη βασική απεικονιστική μέθοδο για τον έγκαιρο εντοπισμό της. Όμως ο τεράστιος αριθμός των ασθενών, η σοβαρότητα της νόσου, η έλλειψη εμπειρίας των νέων γιατρών και ο μειωμένος χρόνος των εμπείρων, αποτέλεσαν την ανάγκη για ανάπτυξη ευφυών μοντέλων της τεχνητής νοημοσύνης στη ψηφιακή μαστογραφία, για την έγκαιρη πρόβλεψη, διαχείριση και θεραπεία του καρκίνου του μαστού σε αρχικό στάδιο. Σκοπός της παρούσας διπλωματικής εργασίας, είναι να αναλύσει τα πλεονεκτήματα και τις εφαρμογές της τεχνητής νοημοσύνης στη ψηφιακή μαστογραφία(DM) και στη ψηφιακή τομοσύνθεση μαστού(DBT). Μέσω επιστημονικών βάσεων δεδομένων όπως τα PubMed, Scopus, Google Scholar, NUP Library κ.α. γίνεται αναφορά σε επιστημονικές μελέτες όσον αφορά τη τεχνητή νοημοσύνη, τη βαθιά μάθηση, τα τεχνητά νευρωνικά δίκτυα, την εφαρμογή τους στην πρώιμη πρόβλεψη του καρκίνου του μαστού μέσω της μαστογραφίας και στα αποτελέσματα χρήσης τους. Επίσης, γίνεται αναφορά στη ψηφιακή μαστογραφία, στη ψηφιακή τομοσύνθεση μαστού και στην εξέλιξή τους, παρουσιάζοντας τα υψηλά ποσοστά επιτυχίας με την εφαρμογή των αλγορίθμων της τεχνητής νοημοσύνης. Εν συνεχεία, με τη χρήση της γλώσσας προγραμματισμού Python και με βάση το σύνολο δεδομένων του Ουισκόνσιν (Wisconsin Breast Cancer Diagnostic -WBCD), όπου διατίθενται στο αποθετήριο μηχανικής μάθησης UCI, υλοποιήθηκε πρόγραμμα πρόβλεψης καρκίνου του μαστού με τη χρήση πέντε μοντέλων αξιολόγησης και παρουσιάζονται τα αποτελέσματα της εφαρμογής του. Τέλος, γίνεται αναφορά στην εξελικτική μέθοδο της ανάλυσης ιατρικών εικόνων, τη ραδιομική, όπου βασίζεται στην εφαρμογή μεθόδων τεχνητής νοημοσύνης.