Ενίσχυση Μοντέλων Κατάστασης Χώρου με Μετα-Επεξεργασία για Γενίκευση Πεδίου στον Ιατρικό Τομέα

Abstract

Η κατάτμηση ιατρικής εικόνας αποτελεί μια κομβική διαδικασία στον τομέα της ιατρικής απεικόνισης και της υπολογιστικής υποβοήθησης διαγνώσεων. Ωστόσο, η ανάπτυξη εύρω- στων υπολογιστικών συστημάτων παρεμποδίζεται από δύο θεμελιώδεις προκλήσεις : αφενός την σημαντική δυσκολία ακριβούς οριοθέτησης οργάνων με ασαφή ανατομικά όρια, όπως το πάγκρεας, και αφετέρου τη χρόνια έλλειψη τρισδιάστατων (3D) ιατρικών δεδομένων με πυκνό σχολιασμό από ειδικούς. Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και η συγκριτική αξιο- λόγηση ενός συστήματος βαθιάς μάθησης για ημι-επιβλεπόμενη κατάτμηση παγκρέατος υπό αυστηρά περιορισμένους υπολογιστικούς πόρους. Ως βασική αρχιτεκτονική (backbone) με- λετάται το Swin-UMamba, το οποίο ενσωματώνει Μοντέλα Χώρου Καταστάσεων (State Space Models — SSMs) με γραμμική υπολογιστική πολυπλοκότητα, και αντιπαραβάλλεται με το καθιερωμένο συνελικτικό δίκτυο U-Net3D. Αμφότερα τα δίκτυα εκπαιδεύονται υπό το ημι- επιβλεπόμενο πλαίσιο DyCON, ενώ στη φάση της αξιολόγησης εφαρμόζεται το κλασικό βήμα μετα-επεξεργασίας Largest Connected Component (LCC) για την απαλοιφή ψευδώς-θετικών συνεκτικών συνιστωσών. Το DyCON αξιολογεί δυναμικά την αβεβαιότητα των προβλέψεων μέσω της εντροπίας και εφαρμόζει αντιθετική μάθηση σε επίπεδο ογκοστοιχείων, αξιοποιώντας τις μη-σχολιασμένες τομογραφίες. Η κύρια συνεισφορά της εργασίας είναι η συστηματική συγκριτική μελέτη αρχιτεκτονικών SSM και CNN για ημι-επιβλεπόμενη κατάτμηση υπό περιορισμένη χωρική ανάλυση, καθώς και η ανάδειξη της επίδρασης της μετα-επεξεργασίας LCC στην ακρίβεια των ανατομικών ορίων. Η πειραματική αξιολόγηση πραγματοποιήθηκε στο σύνολο δεδομένων Pancreas-CT. Υπό τους αυστηρούς περιορισμούς υλικού (τμήματα 64 × 64 × 64), το LCC βελτιώνει δραστικά τις μετρικές ορίων (HD95, ASD) αμφότερων των αρχιτεκτονικών. Ο συνδυασμός U-Net3D + DyCON + LCC αποδίδει την υψηλότερη και σταθερότερη ακρίβεια, επιτυγχάνοντας με μόλις 12 σχολιασμένες τομογραφίες επιδόσεις ισοδύναμες με την πλήρως επιβλεπόμενη εκπαίδευση στις 62. Στο συγκεκριμένο καθεστώς περιορισμένης ανάλυσης, το συνελικτικό δίκτυο υπερτερεί του Swin-UMamba.