Προτεινόμενα Θέματα Διπλωματικών Εργασιών

Βιοϊατρική Τηλεμετρία και Ευφυή Δίκτυα Αισθητήρων

Σχεδιασμός φορετής διάταξης για την υπερηχογραφική απεικόνιση του παλλόμενου αρτηριακού τοιχώματος

Η απεικόνιση με υπερήχους σε συνδυασμό με προηγμένες μεθόδους ανάλυσης εικόνων αποτελεί ένα αναδυόμενο πεδίο έρευνας στη Μονάδα Εντατικής Θεραπείας (ΜΕΘ) και μπορεί να συμβάλει στην καλύτερη διαχείριση των ασθενών που νοσηλεύονται σε αυτήν. Η τρέχουσα πρακτική περιλαμβάνει απεικόνιση με συμβατική διάταξη υπερηχογραφίας, κοινή για όλους τους ασθενείς της Μονάδας, μία διαδικασία που είναι χρονοβόρα, ιδιαίτερα αν χρειαστεί να πραγματοποιηθεί συστηματικά σε όλους τους νοσηλευομένους. Η χρήση φορετής διάταξης σε τέτοιες περιπτώσεις είναι ιδιαίτερα χρήσιμη διότι επιτρέπει τη συλλογή δεδομένων με μεγαλύτερη συχνότητα και σε μικρότερο χρόνο. Στόχος της εργασίας είναι η θεωρητική μελέτη και ο σχεδιασμός φορετής διάταξης για την υπερηχογραφική απεικόνιση του τοιχώματος της καρωτίδας, που να επιτρέπει την εκτίμηση της κίνησής του ή/και άλλων μηχανικών του χαρακτηριστικών.

Απαιτούμενες γνώσεις: MATLAB, ηλεκτρονική

Βιβλιογραφία:

  1. S. Golemati. Cardiovascular computing in the intensive care unit. S.Golemati & K.S. Nikita (eds) Cardiovascular Computing - Methodologies and Clinical Applications. Springer 2019.
  2. G.M. Karageorgos, C. Manopoulos, A. Kiourti, A. Karagiannis, S. Tsangaris, K.S. Nikita. An approach for self-powered cardiovascular monitoring based on electromagnetic induction. IEEE Sens J 2018; 1: 83-93.
  3. C. Wang, X. Li, H. Hu, et al. Monitoring of the central blood pressure waveform via a conformal ultrasonic device. Nat Biomed Eng 2018; 2(9): 687-695.
  4. C.D. Gerardo, E. Cretu. R. Rohling. Fabrication and testing of polymer-based capacitive micromachined ultrasound transducers for medical imaging. Microsyst Nanoeng 2018; 4: 19.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)
Επ. Καθηγήτρια Σπυρέττα Γολεμάτη, Ιατρική Σχολή, ΕΚΠΑ (sgolemati@med.uoa.gr)

Στατιστική Επεξεργασία Δεδομένων από Μετρήσεις Υψίσυχνης Ηλεκτρομαγνητικής Ακτινοβολίας στο Περιβάλλον Σταθμών Κεραιών σε όλη την Ελλάδα

Η διπλωματική εργασία πραγματεύεται την ταξινόμηση και την πολυπαραμετρική στατιστική επεξεργασία δεδομένων από μετρήσεις υψίσυχνης ηλεκτρομαγνητικής ακτινοβολίας στο περιβάλλον σταθμών κεραιών κάθε είδους σε όλη την Ελλάδα, οι οποίες έχουν δημοσιευθεί στον ιστοχώρο της Ελληνικής Επιτροπής Ατομικής Ενέργειας (ΕΕΑΕ). Η διπλωματική εργασία πρόκειται να πραγματοποιηθεί σε συνεργασία με την Ελληνική Επιτροπή Ατομικής Ενέργειας.

Απαιτούμενες γνώσεις: Βασικές γνώσεις θεωρίας κεραιών, Πολύ καλές γνώσεις στατιστικής ανάλυσης δεδομένων

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr),
Υπεύθυνος του Γραφείου Μη Ιοντιζουσών Ακτινοβολιών, ΕΕΑΕ, Δρ. Ευθύμιος Καραμπέτσος (efthymios.karabetsos@eeae.gr),
Δρ. Μαρία Χριστοπούλου (maria.christopoulou@eeae.gr)

Σχεδίαση και μελέτη επιδόσεων εμφυτεύσιμων / καταπόσιμων κεραιών για ασύρματη ιατρική τηλεμετρία

Η ασύρματη ιατρική τηλεμετρία μεταξύ εμφυτεύσιμων/καταπόσιμων ιατρικών διατάξεων και εξωτερικών διατάξεων επίβλεψης και ελέγχου κερδίζει διαρκώς έδαφος στους τομείς της διάγνωσης και θεραπείας ασθενειών. Στόχος της παρούσας διπλωματικής εργασίας είναι η σχεδίαση πρωτότυπων εμφυτεύσιμων/καταπόσιμων κεραιών με βελτιστοποιημένες επιδόσεις. Έμφαση θα δοθεί στην ταχεία σχεδίαση βιοσυμβατών κεραιών μικροσκοπικών διαστάσεων, ενώ θα μελετηθούν τα χαρακτηριστικά συντονισμού, η απόδοση ακτινοβολίας, η απορρόφηση ισχύος από τους περιβάλλοντες ιστούς, και η συμμόρφωση με τα όρια διεθνών οργανισμών (πρότυπα IEEE C95.1-1999, IEEE C95.1-2005).

Απαιτούμενες γνώσεις: θεωρία κεραιών, βασικά στοιχεία υπολογιστικού ηλεκτρομαγνητισμού και βιοηλεκτρομαγνητισμού.

Βιβλιογραφία:

  1. A. Kiourti, K.S. Nikita, "A Review of Implantable Patch Antennas for Biomedical Telemetry: Challenges and Solutions", IEEE Antennas and Propagation Magazine vol. 54, no. 3, pp. 210-228, June 2012.
  2. L. S. Xu, Max Q.-H. Meng, Chao Hu, “Effects of Dielectric Values of Human Body on Specific Absorption Rate Following 430, 800, and 1200 MHz RF Exposure to Ingestible Wireless Device”, IEEE Transactions on Information Technology in Biomedicine, vol. 14, no.1, January 2010.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)

Συγκομιδή Ενέργειας για εμφυτεύσιμες ιατρικές διατάξεις με εφαρμογή στο καρδιαγγειακό σύστημα – Energy Harvesting

Η συλλογή ενέργειας από το περιβάλλον αποτελεί σημαντική καινοτομία στην τροφοδότηση ηλεκτρονικών διατάξεων ειδικά στην περίπτωση των εμφυτεύσιμων στο ανθρώπινο σώμα ιατρικών διατάξεων. Η λειτουργία εμφυτεύσιμων ηλεκτρονικών διατάξεων με συλλογή της ενέργειας από το περιβάλλον του ανθρώπινου σώματος μειώνει την ανάγκη αντικατάστασης μπαταριών και επεκτείνει το χρόνο λειτουργίας. Πρόσφατα παρουσιάστηκαν τεχνικές ενεργειακής συγκομιδής που εξασφαλίζουν την ενεργειακή αυτονομία εμφυτεύσιμων ιατρικών διατάξεων (εφαρμογές βηματοδοτών).
Ο πρώτος στόχος της διπλωματικής είναι ο σχεδιασμός και η ανάπτυξη αναλυτικού μοντέλου για την ενεργειακή κατανάλωση εμφυτεύσιμων ιατρικών διατάξεων και ασύρματων δικτύων αισθητήρων και η μοντελοποίηση της απόδοσης τεχνικής συγκομιδής ενέργειας από το καρδιαγγειακό σύστημα. Ο δεύτερος στόχος σχετίζεται με το σχεδιασμό και την ανάπτυξη μιας πρωτότυπης πειραματικής διάταξης η οποία υλοποιεί μια επιλεγμένη τεχνική συγκομιδής ενέργειας με εφαρμογή κριτηρίων όπως η απόδοσή της και η δυνατότητα σμίκρυνσης.

Απαιτούμενες γνώσεις: Ηλεκτρονική, MATLAB, Βιοϊατρική και Φυσιολογικά Συστήματα.

Βιβλιογραφία:

  1. Pfenniger A, Jonsson M, Zurbuchen A, Koch VM, Vogel R. , “Energy harvesting from the cardiovascular system, or how to get a little help from yourself”, Ann Biomed Eng. 2013 Nov;41(11):2248-63. doi: 10.1007/s10439-013-0887-2
  2. Pfenniger Α, Lalith N. Wickramarathna, Vogel R, Volker, Koch M, Design and realization of an energy harvester using pulsating arterial pressure, Medical Engineering & Physics, Volume 35, Issue 9, September 2013, Pages 1256-1265, ISSN 1350-4533, http://dx.doi.org/10.1016/j.medengphy.2013.01.001
  3. Cardiovascular Engineering - Adrian Zurbuchen unveils a revolutionary pacemakerhttp://www.artorg.unibe.ch/content/news/index_eng.html#e539681

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)

Πειραματικές μετρήσεις σε προσομοιώματα με χρήση τηλεμετρίας εμφυτεύσιμων διατάξεων

Στo πλαίσιo της διπλωματικής θα γίνουν πειραματικές μετρήσεις σε προσομοιώματα και θα πραγματοποιηθούν μετρήσεις απωλειών διαδρομής για ασύρματα κανάλια τηλεμετρίας εμφυτεύσιμων ιατρικών διατάξεων. Για την υλοποίηση θα χρησιμοποιηθεί διάταξη τηλεμετρίας εμφυτεύσιμων διατάξεων με χρήση σεναρίων ασύρματης ζεύξης σε ελεύθερο χώρο και σε περιβάλλον εργαστηρίου. Θα ποσοτικοποιηθεί η επίδραση διαφορετικών πολώσεων επί των επιδόσεων την κεραίας και θα αξιολογηθεί η επίδραση παραμέτρων των βιολογικών ιστών με χρήση προσομοιωμάτων.

Απαιτούμενες γνώσεις: Βασικές Γνώσεις Τηλεπικοινωνιών, Ηλεκτρομαγνητισμού, προγραμματισμού σε C# ή C API ή C embedded source code.

Βιβλιογραφία:

  1. http://ulp.zarlink.com/zarlink/hs/82_ZLE70102.htm
  2. Shen Li; Jie He; Ruijun Fu; Pahlavan, K., "A hardware platform for performance evaluation of in-body sensors," Medical Information and Communication Technology (ISMICT), 2012 6th International Symposium on , vol., no., pp.1,4, 25-29 March 2012 doi: 10.1109/ISMICT.2012.6203055
  3. Kim S, Brendle C, Lee HY, Walter M, Gloeggler S, Krueger S, Leonhardt S. Evaluation of a 433 MHz band body sensor network for biomedical applications. Sensors (Basel). 2013 Jan 14;13(1):898-917. doi: 10.3390/s130100898.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)

Αυτόματη αναγνώριση νοητικής κόπωσης οδηγού με χρήση μεθόδων όρασης υπολογιστών και μηχανικής μάθησης

Η οδήγηση αποτελεί μία απαιτητική δραστηριότητα, κατά τη διάρκεια της οποίας ο οδηγός χρειάζεται να έχει ταυτόχρονα τον έλεγχο του αυτοκινήτου, να παίρνει αποφάσεις για την πλοήγησή του κατά μήκος της διαδρομής και να διαχειρίζεται κινδύνους. Ένα λάθος του οδηγού κατά τη διάρκεια της οδήγησης μπορεί να αποβεί πολύ επικίνδυνο για τη δική του ζωή αλλά και τη ζωή άλλων ατόμων. Σύμφωνα με τα στοιχεία του Παγκόσμιου Οργανισμού Υγείας, τα ατυχήματα με κινούμενα οχήματα οδηγούν στο θάνατο 3400 άτομα κάθε ημέρα και σε τραυματισμό ή και αναπηρία δεκάδες εκατομμύρια άτομα κάθε χρόνο. Μία ανάλυση των αιτιών των ατυχημάτων με κινούμενα οχήματα στις ΗΠΑ κατά τη διάρκεια των ετών 2005 με 2007 έδειξε ότι το λάθος του οδηγού, όπως η έλλειψη συγκέντρωσης, ο ύπνος, η υπερβολική ταχύτητα, και η λάθος εκτίμηση της ενέργειας των άλλων, ήταν η κρίσιμη αιτία για το 94% εξ αυτών.

Για την αντιμετώπιση των αιτιών των ατυχημάτων που οφείλονται σε λάθος του οδηγού έχει προταθεί η σε τακτά χρονικά διαστήματα παρακολούθηση και αξιολόγηση της κατάστασής του. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, θα μελετηθούν τρόποι καταγραφής της νοητικής κόπωσης του οδηγού. Η νοητική κόπωση εμφανίζεται με ποικίλους τρόπους, και ένας τρόπος για την καταγραφή της είναι η χαρτογράφηση της κατανομής του βάρους του σώματος του οδηγού από ένα υπολογιστικό σύστημα με αισθητήρες πίεσης πάνω στο κάθισμα και στο τιμόνι. Ένας άλλος τρόπος καταγραφής της νοητικής κόπωσης είναι η καταγραφή της συχνότητας και της διάρκειας του βλεφαρισμού του οδηγού από κάμερα τοποθετημένη σε κατάλληλη θέση.

Η παρούσα διπλωματική εργασία αφορά στην ανάπτυξη αλγορίθμων όρασης υπολογιστών και μηχανικής μάθησης για την καταγραφή της νοητικής κόπωσης του οδηγού από σύστημα αισθητήρων πίεσης σε συνδυασμό με κάμερα. Στο πλαίσιο της εργασίας θα σχεδιαστούν και θα υλοποιηθούν πειράματα με κατάλληλο υλικό και λογισμικό προσομοίωσης οδήγησης.

Απαιτούμενες γνώσεις: Όραση Υπολογιστών, Μηχανική Μάθηση, Ηλεκτρονική

Βιβλιογραφία:

  1. R. Chhabra, S. Verma, and C. R. Krishna, “A Survey on Driver Behaviour Detection Techniques for Intelligent Transportation Systems”, in Proceedings of the IEEE 7th International Conference on Cloud Computing, Data Science & Engineering, 2017.
  2. H. Shin, K. Kim, J. Son, and M. Kim, “Preliminary Study for Driver’s Posture Correction Support System Based on Seat-Embedded Pressure Sensing Platform”, J. Park, I. Stojmenovic, H. Jeong, G. Yi Eds, Computer Science and its Applications, Lecture Notes in Electrical Engineering, vol. 330, Springer, Berlin, Heidelberg, 2015.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr) Δρ Καλλιόπη Δαλακλείδη (kdalakleidi@biosim.ntua.gr)

Ανάπτυξη ολοκληρωμένης πλατφόρμας αριθμητικής εκτίμησης, προσομοίωσης και πειραματικής επαλήθευσης ταχύτητας σφυγμικού κύματος (Pulse Wave Velocity)

Η ταχύτητα σφυγμικού κύματος (Pulse Wave Velocity, PWV) και η εκτίμηση του χρόνου μετάβασης σφυγμού (Pulse Transit Time, PTT) θεωρούνται προγνωστικοί παράγοντες καρδιαγγειακού κινδύνου γιατί παρέχουν μη επεμβατική εκτίμηση της αρτηριακής ενδοτικότητας-ελαστικότητας.
Στο πλαίσιο της διπλωματικής εργασίας, στο πρώτο στάδιο θα γίνει ανασκόπηση και συγκριτική μελέτη όλων των αλγορίθμων εκτίμησης της ταχύτητας σφυγμικού κύματος, που παρουσιάζουν αποκλίσεις ως προς τις εκτιμήσεις για το PTT. Για το σκοπό αυτό, θα αναπτυχθεί μοντέλο αναλυτικού υπολογισμού του PTT μέσω του PWV καθώς και μοντέλο καρδιαγγειακού δέντρου για την παραμετροποίηση της προσομοίωσης PTT σε ένα πλήθος αιμοδυναμικών καταστάσεων.
Στο δεύτερο στάδιο θα σχεδιαστεί και αναπτυχθεί πειραματική διάταξη με χρήση αισθητήρων και διατάξεων τηλεμετρίας για τη μέτρηση PWV.
Τα πειραματικά αποτελέσματα θα συγκριθούν με τα αποτελέσματα προσομοιώσεων του πρώτου σταδίου.

Απαιτούμενες γνώσεις: Ηλεκτρονικής, MATLAB

Βιβλιογραφία:

  1. Vardoulis O, Papaioannou TG, Stergiopulos N. Validation of a novel and existing algorithms for the estimation of pulse transit time: advancing the accuracy in pulse wave velocity measurement. Am J Physiol Heart Circ Physiol. 2013 Jun 1;304(11):H1558-67. doi: 10.1152/ajpheart.00963.2012.
  2. Gaddum NR, Alastruey J, Beerbaum P, Chowienczyk P, Schaeffter T. A technical assessment of pulse wave velocity algorithms applied to non-invasive arterial waveforms. Ann Biomed Eng. 2013 Dec;41(12):2617-29. doi:10.1007/s10439-013-0854-y. Epub 2013 Jul 2. PubMed PMID: 23817766.
  3. McLaughlin J, McNeill M, Braun B, McCormack PD. Piezoelectric sensor determination of arterial pulse wave velocity. Physiol Meas. 2003Aug;24(3):693-702. PubMed PMID: 14509307.
  4. Papaioannou TG, Soulis D, Vardoulis O, Protogerou A, Sfikakis PP, Stergiopulos N, Stefanadis C. First in vivo application and evaluation of a novel method for non-invasive estimation of cardiac output. Med Eng Phys. 2014 Oct;36(10):1352-7. doi: 10.1016/j.medengphy.2014.06.019. Epub 2014 Aug 6. PubMed PMID: 25108554.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)

Συστήματα Υποστήριξης Ιατρικών Αποφάσεων & Πληροφοριακά Συστήματα Υγείας

Σχεδίαση και ανάπτυξη σοβαρού ηλεκτρονικού παιχνιδιού (serious game) για την εκπαίδευση και τη συμμόρφωση παιδιών με Σακχαρώδη Διαβήτη Τύπου 1

Η διάγνωση του Σακχαρώδους Διαβήτη Τύπου 1 (ΣΔΤ1) προκαλεί σοκ στα παιδιά και στην οικογένειά τους. Η αντιμετώπιση της νόσου απαιτεί σοβαρότητα, υπευθυνότητα και αισιοδοξία. Σκοπός της διπλωματικής εργασίας είναι ο σχεδιασμός και η ανάπτυξη σοβαρού ηλεκτρονικού παιχνιδιού για την εκπαίδευση, και τη συμμόρφωση των παιδιών με ΣΔΤ1 προς την απαιτούμενη αγωγή. Οι προδιαγραφές και τα σενάρια του σοβαρού παιχνιδιού θα καθοριστούν στο πλαίσιο της διπλωματικής εργασίας, ώστε να είναι ελκυστικό και ταυτόχρονα να προωθεί τον υγιεινό τρόπο ζωής που πρέπει να ακολουθήσουν τα παιδιά με ΣΔΤ1.

Απαιτούμενες γνώσεις: βασική γνώση προγραμματισμού, γνώση μηχανισμών ηλεκτρονικών παιχνιδιών, βάσεις δεδομένων, σχεδίαση εφαρμογών για κινητά τηλέφωνα

Βιβλιογραφία:

  1. D. A. Lieberman, “Video Games for Diabetes Self-Management: Examples and Design Strategies”, Journal of Diabetes Science and Technology, vol. 6, issue 4, July 2012.
  2. P.M. Kato, “Video Games in Health Care: Closing the Gap”, Review of General Psychology, vol. 14, no. 2, pp. 113-121, 2010.
  3. M.-A. Capruciu, “Educational Video Games for improving Diabetes Self-Care”, master thesis, February 2012.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr),
Δρ. Κωνσταντία Ζαρκογιάννη (kzarkog@biosim.ntua.gr),
Υ.Δ. Κωνσταντίνος Μήτσης (kmhtshs@biosim.ntua.gr)

Ανάλυση εικόνων υπερήχων της καρωτίδας σε βαρέως πάσχοντες ασθενείς

Η διαχείριση των ασθενών που νοσηλεύονται στη Μονάδα Εντατικής Θεραπείας (ΜΕΘ) αποτελεί μία απαιτητική διαδικασία για τους ιατρούς, αφενός λόγω του μεγάλου όγκου δεδομένων που πρέπει να συνεκτιμηθούν σε περιορισμένο χρόνο και αφετέρου διότι σε πολλές περιπτώσεις δεν υπάρχει επαρκής γνώση για τους πολύπλοκους παθοφυσιολογικούς μηχανισμούς των βαρέως πασχόντων. Για παράδειγμα η σήψη, που είναι πολύ-οργανική ανεπάρκεια ως αποτέλεσμα λοίμωξης, παραμένει ένα κρίσιμο ζήτημα για τους ιατρούς της ΜΕΘ, καθώς πολλές πλευρές της εμφάνισης και εξέλιξής της παραμένουν άγνωστες. Η απεικόνιση με υπερήχους σε συνδυασμό με προηγμένες μεθόδους ανάλυσης εικόνων αποτελεί ένα αναδυόμενο πεδίο έρευνας στο χώρο της ΜΕΘ, που μπορεί να προσφέρει καινούργια στοιχεία για πολλές καταστάσεις στη ΜΕΘ, συμπεριλαμβανομένης της καλύτερης διαχείρισης των σηπτικών ασθενών. Αντικείμενο της εργασίας είναι η ανάλυση εικόνων υπερήχων της καρωτίδας ασθενών που νοσηλεύονται στη ΜΕΘ, για τη διερεύνηση ζητημάτων όπως η πρόβλεψη της απόκρισης σηπτικών ασθενών στη φαρμακευτική αγωγή και η μεταβολή της αρτηριακής σκληρίας κατά την παραμονή στη ΜΕΘ, με στόχο τη βελτίωση της πρόγνωσης για τους ασθενείς και την υποβοήθηση των διαδικασιών λήψης απόφασης για τους ιατρούς.

Απαιτούμενες γνώσεις: MATLAB, ανάλυση εικόνων

Βιβλιογραφία:

  1. S. Golemati. Cardiovascular computing in the intensive care unit. S.Golemati & K.S. Nikita (eds) Cardiovascular Computing - Methodologies and Clinical Applications. Springer 2019.
  2. M. Gassner, K. Killu, Z.Bauman, V. Coba, K. Rosso, D. Blyden. Feasibility of common carotid artery point of care ultrasound in cardiac output measurements compared to invasive methods. J Ultrasound 2015; 18(2): 127-133.
  3. Gastounioti, S. Golemati, J.S. Stoitsis, K.S. Nikita. Carotid artery wall motion analysis from B-mode ultrasound using adaptive block matching: in silico evaluation and in vivo application. Phys Med Biol 2013; 58(24): 8647-8661.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)
Επ. Καθηγήτρια Σπυρέττα Γολεμάτη, Ιατρική Σχολή, ΕΚΠΑ (sgolemati@med.uoa.gr)

Αυτόματη Αναγνώριση Τροφής από Φωτογραφικά Στιγμιότυπα με χρήση Συνόλου Ταξινομητών Βαθιάς Μάθησης

Η ποσοτικοποίηση και ο διαρκής έλεγχος της διατροφής μπορούν να συμβάλουν σημαντικά στην αποφυγή ή την καλύτερη διαχείριση χρόνιων ασθενειών, όπως είναι οι καρδιαγγειακές παθήσεις, ο καρκίνος και ο σακχαρώδης διαβήτης. Οι διαθέσιμες προσεγγίσεις για την ποσοτικοποίηση της διατροφής που βασίζονται στην καταγραφή των γευμάτων από το χρήστη ή τη συμπλήρωση ερωτηματολογίων για τη συχνότητα λήψης τροφών έχουν τα ακόλουθα μειονεκτήματα: (i) Απαιτούν την καταγραφή από μνήμης των γευμάτων της προηγούμενης χρονικής περιόδου. (ii) Απαιτούν τη χρήση ειδικού εξοπλισμού για τη ζύγιση της τροφής που δεν είναι διαθέσιμος σε ένα εστιατόριο ή εκτός σπιτιού. (iii) Απαιτούν την καταγραφή των γευμάτων για εκτεταμένες χρονικές περιόδους, με αποτέλεσμα συχνά ο χρήστης να διακόπτει την καταγραφή είτε λόγω κόπωσης ή λόγω αμέλειας. (iv) Η εκτίμηση της σύστασης των γευμάτων σε υδατάνθρακες (CHO) από το χρήστη συχνά είναι χαμηλότερη από την πραγματική. Μία λύση για την ακριβή ποσοτικοποίηση της θερμιδικής σύστασης των γευμάτων είναι η χρήση εφαρμογών κινητών τηλεφώνων, που βασίζονται στην κάμερα του τηλεφώνου για την φωτογράφιση του γεύματος, σε αλγορίθμους όρασης υπολογιστών για την κατάτμηση του γεύματος στις επιμέρους τροφές, σε αλγορίθμους μηχανικής μάθησης για την αναγνώριση των τροφών και σε αλγορίθμους υπολογισμού του όγκου των τροφών για τον υπολογισμό των υδατανθράκων στο γεύμα.
Η παρούσα διπλωματική εργασία αφορά στην ανάπτυξη αλγορίθμων βαθιάς μάθησης (σύνολο από Βαθιά Συνελικτικά Δίκτυα) για την αναγνώριση τροφής, οι οποίοι μπορούν να ενσωματωθούν σε μία διαδικτυακή εφαρμογή για τον αυτόματο υπολογισμό της θερμιδικής σύστασης των γευμάτων.

Απαιτούμενες γνώσεις: Προγραμματισμός, Επεξεργασία εικόνων

Bιβλιογραφία:

  1. B. V. R. Silva and J. Cui, “A Survey on Automated Food Monitoring and Dietary Management Systems,” Journal of Health and Medical Informatics, vol. 8, no. 3, 2017.
  2. H. Hassannejad, G. Matrella, P. Ciampolini, I. De Munari, M. Mordonini, and S. Cagnoni, “Food image recognition using very deep convolutional networks,” in Proceedings of the 2nd International Workshop on Multimedia Assisted Dietary Management (MADIMA 2016), 2016, pp. 41-49.
  3. A. Kumar, J. Kim, D. Lyndon, M. Fulham, and D. Feng, “An Ensemble of Fine-Tuned Convolutional Neural Networks for Medical Image Classification”, IEEE Journal of Biomedical and Health Informatics, vol. 21, no. 1, 2017.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr) Δρ Καλλιόπη Δαλακλείδη (kdalakleidi@biosim.ntua.gr)

Αυτόματη Κατάτμηση Τροφών από Φωτογραφικά Στιγμιότυπα Γευμάτων με χρήση Μεθόδων Όρασης Υπολογιστών και Βαθιάς Μάθησης

Ο διαρκής έλεγχος της διατροφής μπορεί να συμβάλει σημαντικά στην αποφυγή ή την καλύτερη διαχείριση χρόνιων ασθενειών, όπως είναι οι καρδιαγγειακές παθήσεις, ο καρκίνος και ο σακχαρώδης διαβήτης. Μία λύση για την ακριβή ποσοτικοποίηση της θερμιδικής σύστασης των γευμάτων είναι η χρήση εφαρμογών κινητών τηλεφώνων, που βασίζονται στην κάμερα του τηλεφώνου για την φωτογράφιση του γεύματος, σε αλγορίθμους όρασης υπολογιστών για την κατάτμηση του γεύματος στις επιμέρους τροφές, σε αλγορίθμους μηχανικής μάθησης για την αναγνώριση των τροφών και σε αλγορίθμους υπολογισμού του όγκου των τροφών για τον υπολογισμό των υδατανθράκων στο γεύμα.
Η παρούσα διπλωματική εργασία αφορά στην ανάπτυξη αλγορίθμων όρασης υπολογιστών και βαθιάς μάθησης για την κατάτμηση γευμάτων σε επιμέρους τροφές. Επιπλέον, θα δημιουργηθεί, ένα σύνολο εικόνων γευμάτων μεσογειακής κουζίνας (με περισσότερες από δύο τροφές ανά γεύμα) και θα χρησιμοποιηθεί για την αξιολόγηση των προτεινόμενων αλγορίθμων όρασης υπολογιστών και βαθιάς μάθησης.

Απαιτούμενες γνώσεις: Προγραμματισμός, Επεξεργασία εικόνων

Bιβλιογραφία:

  1. B. V. R. Silva and J. Cui, “A Survey on Automated Food Monitoring and Dietary Management Systems,” Journal of Health and Medical Informatics, vol. 8, no. 3, 2017.
  2. J. Dehais, M. Anthimopoulos, and S. Mougiakakou, “Food image segmentation for dietary assessment,” in Proceedings of the 2nd International Workshop on Multimedia Assisted Dietary Management (MADIMA 2016), 2016, pp. 23-28.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr) Δρ Καλλιόπη Δαλακλείδη (kdalakleidi@biosim.ntua.gr)

Ανάπτυξη Μοντέλου Εκτίμησης της Περιεχόμενης Ποσότητας Υδατανθράκων στα Λαμβανόμενα Γεύματα από Φωτογραφικά Στιγμιότυπα

Για τα άτομα με Σακχαρώδη Διαβήτη, η γνώση της περιεχόμενης ποσότητας υδατανθράκων στα γεύματα είναι πολύ σημαντική τόσο για τον σωστό προγραμματισμό των γευμάτων όσο και για την προσαρμογή της προγευματικής δόσης ινσουλίνης. Έρευνες έχουν δείξει ότι η εκτίμηση της ποσότητας υδατανθράκων από τους ίδιους τους ασθενείς έχει σημαντικές αποκλίσεις από τις πραγματικές τιμές γεγονός που μπορεί να οδηγήσει σε λάθος αποφάσεις με συνέπεια την απορρύθμιση του μεταβολισμού γλυκόζης. Η παρούσα διπλωματική εργασία αφορά στην ανάπτυξη ενός μοντέλου εκτίμησης των περιεχόμενων υδατανθράκων στα λαμβανόμενα γεύματα από φωτογραφικά τους στιγμιότυπα. Συγκεκριμένα, στις φωτογραφίες που λαμβάνονται με τη χρήση κινητού τηλεφώνου, θα εφαρμοστούν προηγμένες τεχνικές επεξεργασίας εικόνας για την αναγνώριση και ποσοτικοποίηση του περιεχομένου των γευμάτων. Η εργασία μπορεί να χωριστεί σε δύο μέρη και να ανατεθεί σε δύο άτομα.

Απαιτούμενες γνώσεις: Προγραμματισμός, Επεξεργασία Εικόνων

Βιβλιογραφία:
F. Kong, J. Tan: “DietCam: Automatic dietary assessment with mobile camera phones”, Pervasive and Mobile Computing, Vol. 8, no.1, pp. 147–163, 2012.
Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr),
Δρ. Κωνσταντία Ζαρκογιάννη (kzarkog@biosim.ntua.gr)

Analysis of medical scans with emphasis on brain imaging in clinical neuroscience or cancer

This thesis will be conducted in research collaboration with UPenn’s Center for Biomedical Image Computing and Analytics (CBICA: https://www.med.upenn.edu/cbica/), a research center encompassing multiple laboratories and research programs focusing on application of image analysis and machine learning methods to imaging problems, director of which is Christos Davatzikos, Wallace T. Miller Sr. Professor of Radiology. This thesis involves implementation (C++ and/or python) of image analysis and machine learning algorithms for analysis of medical scans with emphasis on brain imaging in clinical neuroscience or cancer.

Απαιτούμενες γνώσεις: Προγραμματισμός (C++/python)

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)
Δρ Καλλιόπη Δαλακλείδη (kdalakleidi@biosim.ntua.gr)

Ιατρική Απεικόνιση και Ψηφιακή Επεξεργασία Ιατρικής Εικόνας

Μελέτη και ποσοτικοποίηση της κίνησης του τοιχώματος της καρωτίδας από εικόνες υπερήχων και συσχέτιση με παραμέτρους υφής

Η κίνηση του τοιχώματος της καρωτίδας κατά τη διάρκεια του καρδιακού κύκλου είναι ένα μηχανικό φυσιολογικό φαινόμενο με ιδιαίτερη κλινική σημασία, κυρίως λόγω της σχέσης του με την ελαστικότητα του ιστού. Η κίνηση αυτή μπορεί να μετρηθεί με πλήθος μεθόδων ανάλυσης εικόνων [1], [2]. Για την περαιτέρω κατανόηση των φυσιολογικών φαινομένων που λαμβάνουν χώρα στην περιοχή του αρτηριακού τοιχώματος, είναι σημαντική η συσχέτιση της κινητικότητας του αγγείου με παραμέτρους υφής, που μπορούν επίσης να εκτιμηθούν από εικόνες υπερήχων [3], [4]. Σκοπός της διπλωματικής εργασίας είναι (α) η ποσοτικοποίηση της ακτινικής και διαμήκους κίνησης του αρτηριακού τοιχώματος, με χρήση παραμέτρων που χαρακτηρίζουν διαφορετικά είδη παραμορφώσεων, όπως διάταση, συμπίεση και διάτμηση, και (β) η συσχέτιση των παραμέτρων αυτών με χαρακτηριστικά υφής, που περιγράφουν την κατανομή διαφορετικών υλικών εντός του αρτηριακού τοιχώματος. Τα αποτελέσματα της εργασίας αναμένεται να αναδείξουν τη χρησιμότητα των παραπάνω παραμέτρων στη μελέτη της φυσιολογίας και της παθοφυσιολογίας του αρτηριακού τοιχώματος και τη διάγνωση καρδιαγγειακών παθήσεων.

Απαιτούμενες γνώσεις: Πολύ καλή γνώση προγραμματισμού σε MatLab, Βασικές γνώσεις ψηφιακής επεξεργασίας σημάτων και εικόνων.

Βιβλιογραφία:

  1. S. Golemati, A. Sassano, M. J. Lever, A. A. Bharath, S. Dhanjil, A. N. Nicolaides. Motion analysis of carotid atherosclerotic plaque from B-mode ultrasound. Ultrasound Med Biol 2003; 29(3): 387-399.
  2. S. Golemati, J .Stoitsis, A. Gastounioti, A. C. Dimopoulos, V. Koropouli, K. S. Nikita. Comparison of block matching and differential methods for motion analysis of the carotid artery wall from ultrasound images.IEEE Trans Inf Technol Biomed 2012; (in press)
  3. S.Golemati, T.J.Tegos, A.Sassano, K.S.Nikita, and A.N.Nicolaides. Echogenicity of B-mode ultrasound images of the carotid artery – Work-in-progress. J Ultrasound Med 2004; 23: 659-669.
  4. N.Tsiaparas, S.Golemati, I.Andreadis, J.Stoitsis, I.Valavanis, K.S.Nikita. Comparison of multiresolution features for texture classification of carotid atherosclerosis from B-mode ultrasound. IEEE Trans Inf Technol Biomed 2011; 15(1): 130-137.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr),
Επ. Καθηγήτρια Σπυρέττα Γολεμάτη, Ιατρική Σχολή, ΕΚΠΑ (sgolemati@med.uoa.gr)

Εκτίμηση της επιφανειακής μορφολογίας του τοιχώματος της αθηρωματικής πλάκας από εικόνες υπερήχων

Έχει δειχθεί ότι η μορφολογία του τοιχώματος της καρωτίδας μπορεί να σχετίζεται με τον κίνδυνο εμφάνισης εγκεφαλικών επεισοδίων [1]. Η εκτίμηση της μορφολογίας έχει επιχειρηθεί κυρίως με ποιοτικό και υποκειμενικό τρόπο από εικόνες υπερήχων. Η ποσοτικοποίηση χαρακτηριστικών μορφολογίας είναι σημαντική για την έγκυρη και έγκαιρη αναγνώριση αθηρωματικών πλακών που κινδυνεύουν να ραγούν και να προκαλέσουν εγκεφαλικό επεισόδιο. Σκοπός της διπλωματικής εργασίας είναι η διερεύνηση γεωμετρικών παραμέτρων, όπως οι παράμετροι καμπυλότητας [2], [3], για τη διάκριση διαφορετικών τύπων αθηρωματικών πλακών, όπως συμπτωματικών και ασυμπτωματικών, και την υποβοήθηση της διάγνωσης της αθηροσκλήρωσης.

Απαιτούμενες γνώσεις: Πολύ καλή γνώση προγραμματισμού σε MatLab, βασικές γνώσεις ψηφιακής επεξεργασίας σημάτων και εικόνων.

Βιβλιογραφία:

  1. I. Momjian-Mayor, P. Burkhard, N. Murith, D. Mugnai, H. Yilmaz, A.P. Narata, K. Lovblad, V. Pereira, M. Righini, H. Bounameaux, R. F. Sztajzel. Diagnosis of and treatment for symptomatic carotid stenosis: an updated review. Acta Neurol Scand 2012.
  2. M. Meyer, M. Desbrun, P. Schroder, A. H. Barr. Discrete differential geometry operators for triangulated 2-manifolds. in Visualization and Mathematics III, 1st ed., 2003: 35-57.
  3. B. Chiu, V. Beletsky, J. D. Spence, G. Parraga, and A. Fenster. Analysis of carotid lumen surface morphology using three-dimensional ultrasound imaging. Phys Med Biol 2009; 54: 1149-1167.

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr),
Επ. Καθηγήτρια Σπυρέττα Γολεμάτη, Ιατρική Σχολή, ΕΚΠΑ (sgolemati@med.uoa.gr)

Χρήση τεχνητών νευρωνικών δικτύων για τη βελτίωση της ποιότητας ανακατασκευής εικόνων PET

Το micro PET/CT scanner που είναι εγκατεστημένο στο ΙΙΒΕΑΑ (Mediso NanoScan PC8) έχει κενά μεταξύ των ανιχνευτών και συνεπώς τα παραγόμενα ημιτονογράμματα (sinograms) έχουν κενά. Τα κενά αυτά επηρεάζουν την ποιότητα της ανακατασκευής της εικόνας και καλύπτονται με μεθόδους interpolation. Σκοπός της προτεινόμενης εργασίας είναι να δοκιμάσουμε την κάλυψη αυτών των κενών με τη χρήση τεχνητών νευρωνικών δικτύων, ώστε τα παραγόμενα ημιτονογράμματα να είναι καλύτερης ποιότητας.

Απαιτούμενες Γνώσεις

  1. Χρήση τεχνητών νευρωνικών δικτύων
  2. Προγραμματισμός C/C++ ή Matlab

Βιβλιογραφία

  1. https://arxiv.org/ftp/arxiv/papers/1803/1803.00694.pdf
  2. https://ieeexplore.ieee.org/document/7733110/

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr),
Δρ. Αναστάσιος Γαϊτάνης (agaitanis@bioacademy.gr)

Φυσιολογικά Mοντέλα και Μηχανική Mάθηση για τη Μελέτη του Αμφιβληστροειδούς

RGC Response Prediction

Η προσθετική αμφιβληστροειδούς είναι μια προσέγγιση για την αποκατάσταση της όρασης χρησιμοποιώντας εμφυτεύματα αμφιβληστροειδούς. Στην παρούσα διπλωματική εργασία προτείνεται η πρόβλεψη της απόκρισης του αμφιβληστροειδούς (Retinal Ganglion Cells-RGCs) σε οπτικά ερεθίσματα (εικόνες). Η εργασία περιλαμβάνει τη μοντελοποίηση της νευρωνικής απόκρισης του αμφιβληστροειδούς με χρήση των μοντέλων [2], [3], [4], [5]. Για τα μοντέλα [4], [5], η εκπαίδευση θα βασιστεί στη χρήση δεδομένων εκπαίδευσης [6]. Θα ακολουθήσει η αποκωδικοποίηση (decode) της νευρωνικής απόκρισης σε εικόνα [7], [8].

Απαιτούμενες γνώσεις: Matlab, Python

Βιβλιογραφία:
Retinal Prosthesis:
[1] J. D. Weiland and M. S. Humayun, "Retinal Prosthesis," in IEEE Transactions on Biomedical Engineering, vol. 61, no. 5, pp. 1412-1424, May 2014
Μοντέλα:
[2] isetBio: https://github.com/isetbio/isetbio/wiki, https://github.com/isetbio/EJLExperimentalRGC
[3] PRANAS: https://team.inria.fr/biovision/pranas-software/
[4] GLM: Shlens, Jonathon. “Notes on Generalized Linear Models of Neurons.” ArXiv abs/1404.1999 https://arxiv.org/abs/1404.1999
[5] LN with population interactions: Granot-Atedgi E, Tkačik G, Segev R, Schneidman E (2013) Stimulus-dependent Maximum Entropy Models of Neural Population Codes. PLOS Computational Biology 9(3): e1002922. https://doi.org/10.1371/journal.pcbi.1002922
[6] Baden, Tom, et al. "The functional diversity of retinal ganglion cells in the mouse." Nature 529.7586 (2016): 345. DOI:10.1038/nature16468
Decoder:
[7] Lazar, Aurel A., and Yiyin Zhou. "Reconstructing natural visual scenes from spike times." Proceedings of the IEEE 102.10 (2014): 1500-1519
[8] https://github.com/nikparth/visual-neural-decode

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)
Υ.Δ. Νικόλαος Μελανίτης (ni.me.par@gmail.com)

Perceptual Distortions in RP: Evaluation through DL Models of Visual System or CV Tasks

Η προσθετική αμφιβληστροειδούς (Retinal Prosthesis-RP) είναι μια προσέγγιση για την αποκατάσταση της όρασης χρησιμοποιώντας εμφυτεύματα αμφιβληστροειδούς. Οπτικές παραμορφώσεις επηρεάζουν την όραση που επιτυγχάνεται σε RP και οφείλονται τόσο στις εμφυτεύσιμες διατάξεις όσο και στο βαθμό εκφύλισης του βιολογικού αμφιβληστροειδούς στον οποίο γίνεται η παρέμβαση. Στην παρούσα διπλωματική εργασία προτείνεται η εφαρμογή των οπτικών παραμορφώσεων σε εικόνες και η μελέτη της επίδρασης των παραμορφώσεων αυτών χρησιμοποιώντας (α) μοντέλα του οπτικού συστήματος που βασίζονται σε τεχνικές βαθιάς μάθησης (Deep Learning-DL) ή (β) DL μοντέλα για αναγνώριση (recognition), κατάτμηση (segmentation) κ.α. τα οποία έχουν αναπτυχθεί στη περιοχή της όρασης υπολογιστών.

Απαιτούμενες γνώσεις: Matlab, Python, Όραση Υπολογιστών, Βαθιά Μάθηση

Βιβλιογραφία:
Retinal Prosthesis:
[1] J. D. Weiland and M. S. Humayun, "Retinal Prosthesis," in IEEE Transactions on Biomedical Engineering, vol. 61, no. 5, pp. 1412-1424, May 2014
[2] Golden, James Robert, et al. "Simulation of visual perception and learning with a retinal prosthesis." Journal of neural engineering (2018).
[3] Fine, Ione, and Geoffrey M. Boynton. "Pulse trains to percepts: the challenge of creating a perceptually intelligible world with sight recovery technologies." Philosophical Transactions of the Royal Society B: Biological Sciences 370.1677 (2015): 20140208.
Visual System model:
[4] https://github.com/ganguli-lab/RetinalResources
[5] https://github.com/sacadena/Cadena2019PlosCB

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)
Υ.Δ. Νικόλαος Μελανίτης (ni.me.par@gmail.com)

Fixations: DL Models of Visual Attention

Η προσθετική αμφιβληστροειδούς είναι μια προσέγγιση για την αποκατάσταση της όρασης χρησιμοποιώντας εμφυτεύματα αμφιβληστροειδούς. Στη συγκεκριμένη διπλωματική εργασία προτείνεται η μελέτη των σημείων εστίασης (fixations) του ματιού. Καθώς ένας άνθρωπος παρατηρεί μια εικόνα, το βλέμμα του διαδοχικά εστιάζει σε διαφορετικά σημεία. Προτείνεται η τροποποίηση του μοντέλου οπτικής προσοχής (visual attention) που έχει αναπτυχθεί σε προηγούμενες προσεγγίσεις [5] χρησιμοποιώντας μοντέλα οπτικής προσοχής που βασίζονται σε τεχνικές βαθιάς μάθησης (Deep Learning-DL).

Απαιτούμενες γνώσεις: Matlab, Python, Βαθιά Μάθηση

Βιβλιογραφία:
Retinal Prosthesis:
[1] J. D. Weiland and M. S. Humayun, "Retinal Prosthesis," in IEEE Transactions on Biomedical Engineering, vol. 61, no. 5, pp. 1412-1424, May 2014. doi: 10.1109/TBME.2014.2314733
[2] Ada Alevizaki, Nikos Melanitis and Konstantina Nikita ‘’Predicting Eye Fixations Using Computer Vision Techniques.” ΒΙΒΕ 2019
[3] Liu, Nian, et al. "Predicting eye fixations using convolutional neural networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015.
[4] Cornia, Marcella, et al. "Predicting human eye fixations via an lstm-based saliency attentive model." IEEE Transactions on Image Processing 27.10 (2018): 5142-5154. arXiv:1611.09571
Models of Visual Attention:
[5] Mnih, Volodymyr, Nicolas Heess, and Alex Graves. "Recurrent models of visual attention." Advances in neural information processing systems. 2014. arXiv:1406.6247
[6] Xu, Kelvin, et al. "Show, attend and tell: Neural image caption generation with visual attention." International conference on machine learning. 2015. arXiv:1502.03044

Περισσότερες πληροφορίες:
Καθ. Κωνσταντίνα Νικήτα (knikita@ece.ntua.gr)
Υ.Δ. Νικόλαος Μελανίτης (ni.me.par@gmail.com)