Exploring deep learning methods for medical image tagging

Abstract

Η κατηγοριοποίηση ιατρικών εικόνων είναι μια βασική τεχνική των συστημάτων διάγν-ωσης (Computer-Aided Diagnosis - CAD) και έχει γνωρίσει αξιοσημείωτες προόδουςμε τη χρήση τεχνικών Βαθιάς Μάθησης (Deep Learning). Η παρούσα διπλωματική ερ-γασία πραγματεύεται το πρόβλημα της ταξινόμησης ιατρικών εικόνων σε πολλές κατη-γορίες, που είναι γνωστό και ως επισημείωση ιατρικών εικόνων (Medical Image Tagging), εξερευνώντας μερικά από τα πιο πρόσφατα ερευνητικά θέματα στα πεδία τηςΒαθιάς Μάθησης και της Υπολογιστικής ́Ορασης (Computer Vision). Ο άμεσος στόχοςτου προβλήματος είναι η αυτόματη αναγνώριση ιατρικών όρων που περιγράφουν πι-θανά ευρήματα σε μια εικόνα και ο απώτερος σκοπός είναι να βοηθήσει τους ιατρούςστη διαδικασία διαγνώσεων. Προς αυτήν την κατεύθυνση, αναπτύσσουμε συστήματαπου χρησιμοποιούν νευρωνικά δίκτυα για την κωδικοποίηση των εικόνων (και επιπλέονπληροφορίας που μπορεί να βρίσκεται στα δεδομένα) σε συνδυασμό με ταξινομητέςμηχανικής μάθησης (Machine Learning) και μεθόδους ανάκτησης πληροφορίας (Information Retrieval) προκειμένου να γίνει η αντιστοίχιση των κατάλληλων όρων στις εικόνες.

Medical image classification is a key technique of Computer-Aided Diagnosis (CAD) systems and has seen remarkable advancements with the use of Deep Learning approaches. This thesis addresses the task of multi-label medical image classification, called medical image tagging, exploring some of the latest research topics and trends in the Deep Learning and Computer Vision fields. The task aims to automatically identify medical terms and its ultimate goal is to help clinicians in the diagnostic process. Towards this goal, we developseveral systems that employ Deep Learning neural networks for encoding the images (and extra information that may be available in the data) and combine them with Machine Learning classifiers and Information Retrieval approaches in order to assign the properterms to the images.