BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20250129T150018Z LAST-MODIFIED:20250129T150018Z DTSTAMP:20260719T221649Z UID:1784488609@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Στελίνας Νάκα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=7475&cHash=e97e94e1e341bc9 69d211e4c7bfbec2f\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Στελίνας Νάκα\n με θέμα\n Ανάλυση Εικόνων Καρδιακής Ανατομίας με χρήση Νευρωνικών Δικτύ ων (Vision Transformers) \n Analysis of Cardiac Anatomy Biomedical Image s with the use of Vision Τransformer s\n Εξεταστική Επιτροπή\n Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)\n Καθηγη τής Διονύσιος Χριστόπουλος\n Καθηγητ ής Θρασύβουλος Σπυρόπουλος\n Περίληψ η\n Η καρδιά είναι ένα από τα πιο πο λύπλοκα όργανα του ανθρώπινου σώματο ς με πολλαπλά μέρη και η ανατομία ολ όκληρης της καρδιάς αποτελεί βασική προϋπόθεση για την ανάπτυξη πολλών κ λινικών εφαρμογών. Για τη μελέτη της λειτουργίας της καρδιάς σε χωρικό ε πίπεδο, η Μαγνητική Τομογραφία (MRI) και η Αξονική Τομογραφία (CT) είναι οι πιο συνηθισμένες μέθοδοι. Στο πλ αίσιο αυτό, η κατάτμηση ολόκληρης τη ς καρδιάς είναι ζωτικής σημασίας στη ν ανάλυση ιατρικών εικόνων, παρέχοντ ας δυνατότητες για διάγνωση και την επιλογή θεραπείας των Καρδιαγγειακών Νοσημάτων (CVD). Ωστόσο, η αυτοματο ποιημένη κατάτμηση μπορεί να γίνει α παιτητική λόγω της παραλλαγής στο σχ ήμα της καρδιάς από άνθρωπο σε άνθρω πο. Σε αυτή την μελέτη, προτείνεται μια ενισχυμένη μέθοδος βασισμένη στι ς γνώσεις που προέκυψαν από τα ευρήμ ατα των αξιολογήσεων του διαγωνισμού MICCAI Multi-Modality Whole Heart S egmentation (MM-WHS). Ο διαγωνισμός παρέχει ένα σύνολο δεδομένων που περ ιλαμβάνει 20 MRI και 20 CT τρισδιάστ ατες εικόνες και τις χειροκίνητα κατ ατετμημένες ετικέτες τους. Ενώ οι πε ρισσότερες από τις αυτοματοποιημένα μοντέλα κατάτμησης ιατρικών εικόνων βασίζονται σε Convolutional Neural N etworks (CNN), στην διατριβή αυτή πα ρουσιάζεται ένα υβριδικό μοντέλο Vis ion Tranformer (ViT). Το προτεινόμεν ο μοντέλο, με όνομα ’ViTSegment’, εί ναι ένας κωδικοποιητής βασισμένος σε Vision Transformer για την καταγραφ ή εξαρτήσεων μεγάλης κλίμακας και έν ας αποκωδικοποιητής συνελικτικού τύπ ου για την ακριβή ανίχνευση των ορίω ν. Ο προτεινόμενος αλγόριθμος εκπαιδ εύτηκε και αξιολογήθηκε στο σύνολο δ εδομένων του διαγωνισμού. Λόγω του μ ικρού αριθμού δεδομένων, προχωρήσαμε περαιτέρω με τεχνικές αύξησης δεδομ ένων (data augmentation) για την επέ κταση του συνόλου δεδομένων. Στο σύν ολο δεδομένων CT παρουσίασε καλύτερο Dice score 92.65 ± 2.17% σε σύγκρισ η με το MRI σύνολο (91.50 ± 1.72%). Για τη βελτίωση των αποτελεσμάτων τη ς αξιολόγησης, πραγματοποιήθηκε συγκ ριτική ανάλυση μεταξύ των μοντέλων V iTSegment, U-Net και UNETR. Το ViTSe gment υπερέχει των άλλων δύο μοντέλω ν, με το U-Net να επιτυγχάνει Dice s core 82.67 ± 8.70% στο σύνολο CT και 81.30 ± 5.47% στο MRI, ενώ το UNETR σημειώνει 86.33 ± 0.74% για το CT κ αι 84.94 ± 6.25% για το MRI, αναδεικ νύοντας τη σταθερότητα και την αποδο τικότητα του. Το μοντέλο ViTSegment παρουσιάζει σημαντικές προοπτικές, α νοίγοντας τον δρόμο για αξιόπιστη αυ τόματη κατάτμηση ολόκληρης της καρδι άς στην ανάλυση ιατρικών εικόνων.\n Abstract \n The heart is one of the most complex organs of human body wi th multiple substructures and the an atomy of the whole heart is a basic requirement for the developing of ma ny clinical applications. To study s patially heart function Magnetic Res onance Imaging (MRI) and Computed To mography (CT) are the most common wa ys. In this regard, the whole-heart segmentation is vital in medical ima ging analysis, providing the potenti al for diagnosis and treatment optio ns of the Cardiovascular Diseases (C VD). However, the automated segmenta tion can be challenging due to varia tion of the heart shape. In this the sis, an enhanced method based on the insights of the MIC-CAI Multi-Modal ity Whole Heart Segmentation (MM-WHS ) challenge evaluations is proposed. The challenge provides a dataset of 20 MRI and 20 CT volumes and their manually segmented labels. For later -on model training, most of the auto mated segmentation tasks on medical images are based on Convolutional Ne ural Networks, a hybrid Vision Trans former (ViT) model is introduced in this thesis. The so-called ’ViTSegme nt’, the proposed model, is a Vision Transformer-based encoder for captu ring long range dependencies and a c onvolutional decoder for accurate bo undary detection. The proposed algor ithm was trained and evaluated on th e dataset from the challenge. Due to the low number of data, we further proceeded with data augmentation tec hniques to expand the dataset. On CT dataset it exhibited a better dice score of 92.65 ± 2.17% compared to t he MRI dataset,(91.50 ± 1.72%). To b oost the results of the evaluation, a comparative analysis was implement ed between the ViTSegment, U-Net and UNETR models. The ViTSegment outper forms the other two models, with U-N et achieving a dice score of 82.67 ± 8.70% on the CT dataset and 81.30 ± 5.47% on the MRI, while UNETR score s 86.33 ± 0.74% for CT and 84.94 ± 6 .25% for MRI, highlighting its robus tness and efficiency. ViTSegment mod el shows essential potential that is paving the way for robust automated whole-heart segmentation in medical image analysis.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250210T110000 DTEND:20250210T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR