Η διαχείριση της πληροφορίας που προέρχεται από εικόνες ιστοπαθολογίας μικροσκοπίου (βιοψίες) αποτελεί διεργασία υψηλής πολυπλοκότητας που αξιοποιείται για την εξαγωγή διαγνωστικών και προγνωστικών συμπερασμάτων από τον ιστοπαθολόγο. Η πολυπλοκότητα αυτή πηγάζει από τον τεράστιο όγκο βιολογικών οντοτήτων που περιέχονται στο δείγμα βιοψίας αλλά και στις μεταξύ τους πολυσύνθετες αλληλεπιδράσεις. Οι πιο σύγχρονες μέθοδοι τεχνητής νοημοσύνης προτείνουν εναλλακτικές προσεγγίσεις για την επίλυση των προβλημάτων υψηλής πολυπλοκότητας αυτού του τύπου. Ανάμεσα όμως στην είσοδο (δεδομένα) και έξοδο (αποτέλεσμα) των ‘έξυπνων’ υπολογιστικών συστημάτων, κρύβεται η μεθοδολογία και στρατηγική επεξεργασίας και ανάλυσης της διαθέσιμης πληροφορίας. Κατά το στάδιο αυτό οι παράμετροι ελέγχου διαχωρίζονται και συσχετίζονται μεταξύ τους ΄τυφλά’ (π.χ. με νευρωνικά δίκτυα, ασαφή λογική) σύμφωνα με συγκεκριμένα μαθηματικά κριτήρια (π.χ. πιθανοκρατικά, ελάχιστων τετραγώνων κ.α.) χωρίς όμως να λαμβάνουν υπόψη την ‘ευρετική’ (heuristic) του ειδικού με αποτέλεσμα να παρουσιάζουν πεπερασμένη ακρίβεια, μεγάλο χρόνο υλοποίησης, αδυναμία γενίκευσης. Έτσι, η απόδοση των συστημάτων αυτών εξαρτάται από το μέγεθος και ποιότητα (θορυβώδη, ελλιπή δεδομένα κ.α.) των δεδομένων, το πλήθος των συνδυασμών των ποσοτικών χαρακτηριστικών που περιγράφουν τα δεδομένα, τον καθορισμό των πλούσιων σε πληροφορία χαρακτηριστικών, την σημαντικότητα των επιμέρους χαρακτηριστικών και των μαθηματικών κριτηρίων ταξινόμησης. Για παράδειγμα πολλά χαρακτηριστικά περιγράφουν καλύτερα την υπό μελέτη διεργασία αλλά η εξαγωγή των πλούσιων σε προγνωστική πληροφορία χαρακτηριστικών απαιτεί πολλούς συνδυασμούς και μεγάλη υπολογιστική ισχύ. Επίσης πολλά χαρακτηριστικά σημαίνει εξειδίκευση του συστήματος στα δεδομένα εκπαίδευσης και αδυναμία εφαρμογής σε άγνωστα δεδομένα. Η παρούσα διατριβή διαπραγματεύεται τον σχεδιασμό, ανάπτυξη και υλοποίηση νέων μεθόδων επεξεργασίας και ανάλυσης ιατρικών εικόνων, επικεντρώνοντας ειδικότερα στην εφαρμογή των μεθόδων αυτών σε υπολογιστικό σύστημα μικροσκοπίας για την διάγνωση όγκων εγκεφάλου τύπου αστροκυττώματος. / Even though histological diagnosis is fundamentally important for patient's management, the potential of diagnostic errors in astrocytomas grading still remains substantially high, ranging from 25% to 40% in routine conditions. Diagnostic errors originate mainly from the lack of experience of experts; rare cancers low prevalence and their biological complexity hinder the establishment of concrete criteria able to predict tumours' behaviour, and, thus, to administrate proper treatments. The latter might explain the fact that a/ although promising treatments have been proposed, death rates have not been yet reduced and b/ the cost of rare cancers management still remains one of the highest healthcare economic burdens in Europe and worldwide. The aim of this thesis was to design, develop and implement new computerized methods to improve manual and computer-assisted malignancy grading of astrocytomas. Scientific objectives comprised: a/ develop a reliable and accurate segmentation algorithm for nuclei detection in routinely stained with H&E histopathological images of astrocytomas, b/ investigate and quantify modifications in nuclei morphology and texture with respect to the degree of tumour abnormality of astrocytic tumours, c/ evaluate whether quantitative analysis of cell nuclei by computer-assisted image analysis could assist the routinely performed malignancy grading of astrocytomas using conventional means, d/ investigate potential modifications in chromatin distribution, which might be used to improve the diagnostic evaluation of cases that histopathologists have difficulty in reaching definite diagnosis (i.e. 'intermediate' grade tumours), e/ support more reliable separation of high grade tumours into clinically meaningful subgroups of patients with grade III and grade IV tumours. For realizing the above objectives, a computer-assisted microscopy system was designed, built and implemented. The system was developed using novel methodologies that integrated state-of-art pattern recognition algorithms for microscopy image segmentation and classification. In addition, new classification techniques have been introduced. The usefulness of the proposed methods has been validated experimentally.

[EN] Over time, due to multiple operational and maintenance activities, the networks of water supply systems (WSSs) undergo interventions, modifications or even are closed. In many cases, these activities are not properly registered. Knowledge of the paths and characteristics (status and age, etc.) of the WSS pipes is obviously necessary for efficient and dynamic management of such systems. This problem is greatly augmented by considering the detection and control of leaks. Access to reliable leakage information is a complex task. In many cases, leaks are detected when the damage is already considerable, which brings high social and economic costs. In this sense, non-destructive methods (e.g., ground penetrating radar - GPR) may be a constructive response to these problems, since they allow, as evidenced in this thesis, to ascertain paths of pipes, identify component characteristics, and detect primordial water leaks. Selection of GPR in this work is justified by its characteristics as non-destructive technique that allows studying both metallic and non-metallic objects. Although the capture of information with GPR is usually successful, such aspects as the capture settings, the large volume of generated information, and the use and interpretation of such information require high level of skill and experience. This dissertation may be seen as a step forward towards the development of tools able to tackle the problem of lack of knowledge on the WSS buried assets. The main objective of this doctoral work is thus to generate tools and assess their feasibility of application to the characterization of components of WSSs from GPR images. In this work we have carried out laboratory tests specifically designed to propose, develop and evaluate methods for the characterization of the WSS buried components. Additionally, we have conducted field tests, which have enabled us to determine the feasibility of implementing such methodologies under uncontrolled conditions. The methodologies developed are based on techniques of intelligent data analysis. The basic principle of this work has involved the processing of data obtained through the GPR to look for useful information about WSS components, with special emphasis on the pipes. After performing numerous activities, one can conclude that, using GPR images, it is feasible to obtain more information than the typical identification of hyperbolae currently performed. In addition, this information can be observed directly, e.g. more simply, using the methodologies proposed in this doctoral work. These methodologies also prove that it is feasible to identify patterns (especially with the preprocessing algorithm termed Agent race) that provide fairly good approximation of the location of leaks in WSSs. Also, in the case of pipes, one can obtain such other characteristics as diameter and material. The main outcomes of this thesis consist in a series of tools we have developed to locate, identify and visualize WSS components from GPR images. Most interestingly, the data are synthesized and reduced so that the characteristics of the different components of the images recorded in GPR are preserved. The ultimate goal is that the developed tools facilitate decision-making in the technical management of WSSs, and that such tools can even be operated by personnel with limited experience in handling non-destructive methodologies, specifically GPR. / [ES] Con el paso del tiempo, y debido a múltiples actividades operacionales y de mantenimiento, las redes de los sistemas de abastecimiento de agua (SAAs) sufren intervenciones, modificaciones o incluso, son clausuradas, sin que, en muchos casos, estas actividades sean correctamente registradas. El conocimiento de los trazados y características (estado y edad, entre otros) de las tuberías en los SAAs es obviamente necesario para una gestión eficiente y dinámica de tales sistemas. A esta problemática se suma la detección y el control de las fugas de agua. El acceso a información fiable sobre las fugas es una tarea compleja. En muchos casos, las fugas son detectadas cuando los daños en la red son ya considerables, lo que trae consigo altos costes sociales y económicos. En este sentido, los métodos no destructivos (por ejemplo, ground penetrating radar - GPR), pueden ser una respuesta a estas problemáticas, ya que permiten, como se pone de manifiesto en esta tesis, localizar los trazados de las tuberías, identificar características de los componentes y detectar las fugas de agua cuando aún no son significativas. La selección del GPR, en este trabajo se justifica por sus características como técnica no destructiva, que permite estudiar tanto objetos metálicos como no metálicos. Aunque la captura de información con GPR suele ser exitosa, la configuración de la captura, el gran volumen de información, y el uso y la interpretación de la información requieren de alto nivel de habilidad y experiencia por parte del personal. Esta tesis doctoral se plantea como un avance hacia el desarrollo de herramientas que permitan responder a la problemática del desconocimiento de los activos enterrados de los SAAs. El objetivo principal de este trabajo doctoral es, pues, generar herramientas y evaluar la viabilidad de su aplicación en la caracterización de componentes de un SAA, a partir de imágenes GPR. En este trabajo hemos realizado ensayos de laboratorio específicamente diseñados para plantear, elaborar y evaluar metodologías para la caracterización de los componentes enterrados de los SAAs. Adicionalmente, hemos realizado ensayos de campo, que han permitido determinar la viabilidad de aplicación de tales metodologías bajo condiciones no controladas. Las metodologías elaboradas están basadas en técnicas de análisis inteligentes de datos. El principio básico de este trabajo ha consistido en el tratamiento adecuado de los datos obtenidos mediante el GPR, a fin de buscar información de utilidad para los SAAs respecto a sus componentes, con especial énfasis en las tuberías. Tras la realización de múltiples actividades, se puede concluir que es viable obtener más información de las imágenes de GPR que la que actualmente se obtiene con la típica identificación de hipérbolas. Esta información, además, puede ser observada directamente, de manera más sencilla, mediante las metodologías planteadas en este trabajo doctoral. Con estas metodologías se ha probado que también es viable la identificación de patrones (especialmente el pre-procesado con el algoritmo Agent race) que proporcionan aproximación bastante acertada de la localización de las fugas de agua en los SAAs. También, en el caso de las tuberías, se puede obtener otro tipo de características tales como el diámetro y el material. Como resultado de esta tesis se han desarrollado una serie de herramientas que permiten visualizar, identificar y localizar componentes de los SAAs a partir de imágenes de GPR. El resultado más interesante es que los resultados obtenidos son sintetizados y reducidos de manera que preservan las características de los diferentes componentes registrados en las imágenes de GPR. El objetivo último es que las herramientas desarrolladas faciliten la toma de decisiones en la gestión técnica de los SAAs y que tales herramientas puedan ser operadas incluso por personal con una experiencia limitada en el manejo / [CA] Amb el temps, a causa de les múltiples activitats d'operació i manteniment, les xarxes de sistemes d'abastament d'aigua (SAAs) se sotmeten a intervencions, modificacions o fins i tot estan tancades. En molts casos, aquestes activitats no estan degudament registrats. El coneixement dels camins i característiques (estat i edat, etc.) de les canonades d'aigua i sanejament fa evident la necessitat d'una gestió eficient i dinàmica d'aquests sistemes. Aquest problema es veu augmentat en gran mesura tenint en compte la detecció i control de fuites. L'accés a informació fiable sobre les fuites és una tasca complexa. En molts casos, les fugues es detecten quan el dany ja és considerable, el que porta costos socials i econòmics. En aquest sentit, els mètodes no destructius (per exemple, ground penetrating radar - GPR) poden ser una resposta constructiva a aquests problemes, ja que permeten, com s'evidencia en aquesta tesi, per determinar rutes de canonades, identificar les característiques dels components, i detectar les fuites d'aigua quan encara no són significatives. La selecció del GPR en aquest treball es justifica per les seves característiques com a tècnica no destructiva que permet estudiar tant objectes metàl·lics i no metàl·lics. Tot i que la captura d'informació amb GPR sol ser reeixida, aspectes com ara la configuració de captura, el gran volum d'informació que es genera, i l'ús i la interpretació d'aquesta informació requereix alt nivell d'habilitat i experiència. Aquesta tesi pot ser vista com un pas endavant cap al desenvolupament d'eines capaces d'abordar el problema de la manca de coneixement sobre els actius d'aigua i sanejament enterrat. L'objectiu principal d'aquest treball doctoral és, doncs, generar eines i avaluar la seva factibilitat d'aplicació a la caracterització dels components de los SAAs, a partir d'imatges GPR. En aquest treball s'han dut a terme proves de laboratori específicament dissenyats per proposar, desenvolupar i avaluar mètodes per a la caracterització dels components d'aigua i sanejament soterrat. A més, hem dut a terme proves de camp, que ens han permès determinar la viabilitat de la implementació d'aquestes metodologies en condicions no controlades. Les metodologies desenvolupades es basen en tècniques d'anàlisi intel·ligent de dades. El principi bàsic d'aquest treball ha consistit en el tractament de dades obtingudes a través del GPR per buscar informació útil sobre els components d'SAA, amb especial èmfasi en la canonades. Després de realitzar nombroses activitats, es pot concloure que, amb l'ús d'imatges de GPR, és factible obtenir més informació que la identificació típica d'hipèrboles realitzat actualment. A més, aquesta informació pot ser observada directament, per exemple, més simplement, utilitzant les metodologies proposades en aquest treball doctoral. Aquestes metodologies també demostren que és factible per identificar patrons (especialment el pre-processat amb l'algoritme Agent race) que proporcionen bastant bona aproximació de la localització de fuites en SAAs. També, en el cas de tubs, es pot obtenir altres característiques com ara el diàmetre i el material. Els principals resultats d'aquesta tesi consisteixen en una sèrie d'eines que hem desenvolupat per localitzar, identificar i visualitzar els components dels SAAS a partir d'imatges GPR. El resultat més interessant és que els resultats obtinguts són sintetitzats i reduïts de manera que preserven les característiques dels diferents components registrats en les imatges de GPR. L'objectiu final és que les eines desenvolupades faciliten la presa de decisions en la gestió tècnica de SAA, i que tals eines poden fins i tot ser operades per personal amb poca experiència en el maneig de metodologies no destructives, específicament GPR. / Ayala Cabrera, D. (2015). Characterization of components of water supply systems from GPR images and tools of intelligent data analysis [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/59235 / TESIS / Premios Extraordinarios de tesis doctorales

This thesis deals with design of scripting language, especially specified for effective image processing. Introduction of this thesis is focused on studying and also appropriation of methodology of compilers and interpreters design, include their following application in design of the scripting language and as well its interpreter. Another point of my work is showing the methods of design and implementation of the interpreter including automated methods used in the design of the implemented program. Next part deals with description of structure and implementation of the designed program, intended for generating compiler of any language which is described in input of this program. The conclusion of this work is more detailing description of the scripting language design; its implementation is based on the methods mentioned before.

No description available.

Pores are inherent to additively manufactured components and critical especially in technical components. Since they reduce the component’s fatigue life, a reliable identification and description of pores is vital to ensure the component’s performance. X-ray computed tomography (CT) is an established and non-destructive testing method to investigate internal defects. The CT scan process can induce noise and artefacts in the resulting images which afterwards have to be reduced through image processing. To reconstruct the internal defects of a component, the images need to be segmented in defect region and bulk material by applying a threshold. The application of the threshold as well as the previous image processing alter the geometry and size of the identified defects. This contribution aims to quantify the influence of selected commercial image processing and segmentation methods on identified pores in several additively manufactured components made of AlSi10Mg and Ti6Al4V as well as in an artificial CT scan. To that aim, gray value histograms and characteristic parameters thereof are compared for different image processing tools. After the segmentation of the processed images, particle characteristics are compared. The influence of image processing and segmentation on the predicted fatigue life of the material is evaluated through the change of the largest pore in each set of data applying Murakami’s empirical√area-parameter model.

<p><!--[if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedContent>false</w:IgnoreMixedContent> <w:AlwaysShowPlaceholderText>false</w:AlwaysShowPlaceholderText> <w:DoNotPromoteQF/> <w:LidThemeOther>EN-US</w:LidThemeOther> <w:LidThemeAsian>X-NONE</w:LidThemeAsian> <w:LidThemeComplexScript>X-NONE</w:LidThemeComplexScript> <w:Compatibility> <w:BreakWrappedTables/> <w:SnapToGridInCell/> <w:WrapTextWithPunct/> <w:UseAsianBreakRules/> <w:DontGrowAutofit/> <w:SplitPgBreakAndParaMark/> <w:DontVertAlignCellWithSp/> <w:DontBreakConstrainedForcedTables/> <w:DontVertAlignInTxbx/> <w:Word11KerningPairs/> <w:CachedColBalance/> </w:Compatibility> <w:BrowserLevel>MicrosoftInternetExplorer4</w:BrowserLevel> <m:mathPr> <m:mathFont m:val="Cambria Math"/> <m:brkBin m:val="before"/> <m:brkBinSub m:val="&#45;-"/> <m:smallFrac m:val="off"/> <m:dispDef/> <m:lMargin m:val="0"/> <m:rMargin m:val="0"/> <m:defJc m:val="centerGroup"/> <m:wrapIndent m:val="1440"/> <m:intLim m:val="subSup"/> <m:naryLim m:val="undOvr"/> </m:mathPr></w:WordDocument></xml><![endif]--><!--[if gte mso 9]><xml> <w:LatentStyles DefLockedState="false" DefUnhideWhenUsed="true" DefSemiHidden="true" DefQFormat="false" DefPriority="99" LatentStyleCount="267"> <w:LsdException Locked="false" Priority="0" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Normal"/> <w:LsdException Locked="false" Priority="9" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="heading 1"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 2"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 3"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 4"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 5"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 6"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 7"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 8"/> <w:LsdException Locked="false" Priority="9" QFormat="true" Name="heading 9"/> <w:LsdException Locked="false" Priority="39" Name="toc 1"/> <w:LsdException Locked="false" Priority="39" Name="toc 2"/> <w:LsdException Locked="false" Priority="39" Name="toc 3"/> <w:LsdException Locked="false" Priority="39" Name="toc 4"/> <w:LsdException Locked="false" Priority="39" Name="toc 5"/> <w:LsdException Locked="false" Priority="39" Name="toc 6"/> <w:LsdException Locked="false" Priority="39" Name="toc 7"/> <w:LsdException Locked="false" Priority="39" Name="toc 8"/> <w:LsdException Locked="false" Priority="39" Name="toc 9"/> <w:LsdException Locked="false" Priority="35" QFormat="true" Name="caption"/> <w:LsdException Locked="false" Priority="10" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Title"/> <w:LsdException Locked="false" Priority="1" Name="Default Paragraph Font"/> <w:LsdException Locked="false" Priority="11" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Subtitle"/> <w:LsdException Locked="false" Priority="22" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Strong"/> <w:LsdException Locked="false" Priority="20" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Emphasis"/> <w:LsdException Locked="false" Priority="59" SemiHidden="false" UnhideWhenUsed="false" Name="Table Grid"/> <w:LsdException Locked="false" UnhideWhenUsed="false" Name="Placeholder Text"/> <w:LsdException Locked="false" Priority="1" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="No Spacing"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading Accent 1"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List Accent 1"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid Accent 1"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1 Accent 1"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2 Accent 1"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1 Accent 1"/> <w:LsdException Locked="false" UnhideWhenUsed="false" Name="Revision"/> <w:LsdException Locked="false" Priority="34" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="List Paragraph"/> <w:LsdException Locked="false" Priority="29" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Quote"/> <w:LsdException Locked="false" Priority="30" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Intense Quote"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2 Accent 1"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1 Accent 1"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2 Accent 1"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3 Accent 1"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List Accent 1"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading Accent 1"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List Accent 1"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid Accent 1"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading Accent 2"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List Accent 2"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid Accent 2"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1 Accent 2"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2 Accent 2"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1 Accent 2"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2 Accent 2"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1 Accent 2"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2 Accent 2"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3 Accent 2"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List Accent 2"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading Accent 2"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List Accent 2"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid Accent 2"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading Accent 3"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List Accent 3"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid Accent 3"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1 Accent 3"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2 Accent 3"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1 Accent 3"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2 Accent 3"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1 Accent 3"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2 Accent 3"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3 Accent 3"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List Accent 3"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading Accent 3"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List Accent 3"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid Accent 3"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading Accent 4"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List Accent 4"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid Accent 4"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1 Accent 4"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2 Accent 4"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1 Accent 4"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2 Accent 4"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1 Accent 4"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2 Accent 4"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3 Accent 4"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List Accent 4"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading Accent 4"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List Accent 4"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid Accent 4"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading Accent 5"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List Accent 5"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid Accent 5"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1 Accent 5"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2 Accent 5"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1 Accent 5"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2 Accent 5"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1 Accent 5"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2 Accent 5"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3 Accent 5"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List Accent 5"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading Accent 5"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List Accent 5"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid Accent 5"/> <w:LsdException Locked="false" Priority="60" SemiHidden="false" UnhideWhenUsed="false" Name="Light Shading Accent 6"/> <w:LsdException Locked="false" Priority="61" SemiHidden="false" UnhideWhenUsed="false" Name="Light List Accent 6"/> <w:LsdException Locked="false" Priority="62" SemiHidden="false" UnhideWhenUsed="false" Name="Light Grid Accent 6"/> <w:LsdException Locked="false" Priority="63" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 1 Accent 6"/> <w:LsdException Locked="false" Priority="64" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Shading 2 Accent 6"/> <w:LsdException Locked="false" Priority="65" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 1 Accent 6"/> <w:LsdException Locked="false" Priority="66" SemiHidden="false" UnhideWhenUsed="false" Name="Medium List 2 Accent 6"/> <w:LsdException Locked="false" Priority="67" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 1 Accent 6"/> <w:LsdException Locked="false" Priority="68" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 2 Accent 6"/> <w:LsdException Locked="false" Priority="69" SemiHidden="false" UnhideWhenUsed="false" Name="Medium Grid 3 Accent 6"/> <w:LsdException Locked="false" Priority="70" SemiHidden="false" UnhideWhenUsed="false" Name="Dark List Accent 6"/> <w:LsdException Locked="false" Priority="71" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Shading Accent 6"/> <w:LsdException Locked="false" Priority="72" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful List Accent 6"/> <w:LsdException Locked="false" Priority="73" SemiHidden="false" UnhideWhenUsed="false" Name="Colorful Grid Accent 6"/> <w:LsdException Locked="false" Priority="19" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Subtle Emphasis"/> <w:LsdException Locked="false" Priority="21" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Intense Emphasis"/> <w:LsdException Locked="false" Priority="31" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Subtle Reference"/> <w:LsdException Locked="false" Priority="32" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Intense Reference"/> <w:LsdException Locked="false" Priority="33" SemiHidden="false" UnhideWhenUsed="false" QFormat="true" Name="Book Title"/> <w:LsdException Locked="false" Priority="37" Name="Bibliography"/> <w:LsdException Locked="false" Priority="39" QFormat="true" Name="TOC Heading"/> </w:LatentStyles></xml><![endif]--><!--[if gte mso 10]><style> /* Style Definitions */ table.MsoNormalTable{mso-style-name:"Table Normal";mso-tstyle-rowband-size:0;mso-tstyle-colband-size:0;mso-style-noshow:yes;mso-style-priority:99;mso-style-qformat:yes;mso-style-parent:"";mso-padding-alt:0in 5.4pt 0in 5.4pt;mso-para-margin:0in;mso-para-margin-bottom:.0001pt;mso-pagination:widow-orphan;font-size:11.0pt;font-family:"Calibri","sans-serif";mso-ascii-font-family:Calibri;mso-ascii-theme-font:minor-latin;mso-fareast-font-family:"Times New Roman";mso-fareast-theme-font:minor-fareast;mso-hansi-font-family:Calibri;mso-hansi-theme-font:minor-latin;mso-bidi-font-family:"Times New Roman";mso-bidi-theme-font:minor-bidi;}</style><![endif]--><span style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:EN-US;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">The </span><span lang="sr-Latn-RS" style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:#241A;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">t</span><span style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:EN-US;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">hesis investigates development, improvement and evaluation of methods for quantitative characterization of objects from their digital images and similarity measurements between digital images. Methods for quantitative characterization of objects from their digital images are increasingly used in applications in which error can </span><span lang="sr-Latn-RS" style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:#241A;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">have crtical consequences, </span><span style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:EN-US;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">but the traditional methods for shape quantification are of low precision and accuracy. </span><span lang="sr-Latn-RS" style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:#241A;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">In the thesis is shown </span><span style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:EN-US;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">that the </span><span lang="sr-Latn-RS" style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:#241A;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">coverage of a pixel by a shape can</span><span style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:EN-US;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA"> be used to highly improve the accuracy and precision of using digital images to estimate the maximal distance between objects </span><span lang="sr-Latn-RS" style="font-size:9.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;mso-fareast-font-family:&quot;Times New Roman&quot;;mso-font-kerning:.5pt;mso-ansi-language:#241A;mso-fareast-language:AR-SA;mso-bidi-language:AR-SA">furthest points measured in a given direction. It is highly desirable that a distance measure between digital images can be related to a certain shape property and morphological operations are used when defining a distance for this purpose. Still, the distances defined in this manner turns out to be insufficiently sensitive to relevant data representing shape properties in images. We show that the idea of adaptive mathematical morphology can be used successfully to overcome problems related to sensitivity of distances defined via morphological operations when comparing objects from their digital image representations.</span></p> / <p>У тези су размотрени развој, побољшање и евалуација метода за квантитативну карактеризацију објеката приказаних дигиталним сликама, као и мере растојања између дигиталних слика. Методе за квантитативну карактеризацију објеката представљених дигиталним сликама се&nbsp; све више користе у применама у којима грешка може имати критичне последице, а традиционалне методе за&nbsp; квантитативну карактеризацију су мале прецизности и тачности. У тези се показује да се коришћењем информације о покривеност пиксела обликом може значајно побољшати прецизност и тачност оцене растојања између две најудаљеније тачке облика мерено у датом правцу. Веома је пожељно да мера растојања између дигиталних слика може да се веже за одређену особину облика и морфолошке операције се користе приликом дефинисања растојања у ту сврху. Ипак, растојања дефинисана на овај начин показују се недовољно осетљива на релевантне податке дигиталних слика који представљају особине облика. У тези се показује да идеја адаптивне математичке морфологије може успешно да се користи да би се превазишао поменути&nbsp; проблем осетљивости растојања дефинисаних користећи морфолошке операције.</p> / <p>U tezi su razmotreni razvoj, poboljšanje i evaluacija metoda za kvantitativnu karakterizaciju objekata prikazanih digitalnim slikama, kao i mere rastojanja između digitalnih slika. Metode za kvantitativnu karakterizaciju objekata predstavljenih digitalnim slikama se&nbsp; sve više koriste u primenama u kojima greška može imati kritične posledice, a tradicionalne metode za&nbsp; kvantitativnu karakterizaciju su male preciznosti i tačnosti. U tezi se pokazuje da se korišćenjem informacije o pokrivenost piksela oblikom može značajno poboljšati preciznost i tačnost ocene rastojanja između dve najudaljenije tačke oblika mereno u datom pravcu. Veoma je poželjno da mera rastojanja između digitalnih slika može da se veže za određenu osobinu oblika i morfološke operacije se koriste prilikom definisanja rastojanja u tu svrhu. Ipak, rastojanja definisana na ovaj način pokazuju se nedovoljno osetljiva na relevantne podatke digitalnih slika koji predstavljaju osobine oblika. U tezi se pokazuje da ideja adaptivne matematičke morfologije može uspešno da se koristi da bi se prevazišao pomenuti&nbsp; problem osetljivosti rastojanja definisanih koristeći morfološke operacije.</p>

In this research work, we develop an obstacle detection and emergency exit sign recognition system on a mobile phone by extending the feature from accelerated segment test detector with Harris corner filter. The first step often required for many vision based applications is the detection of objects of interest in an image. Hence, in this research work, we introduce emergency exit sign detection method using colour histogram. The hue and saturation component of an HSV colour model are processed into features to build a 2D colour histogram. We backproject a 2D colour histogram to detect emergency exit sign from a captured image as the first task required before performing emergency exit sign recognition. The result of classification shows that the 2D histogram is fast and can discriminate between objects and background with accuracy. One of the challenges confronting object recognition methods is the type of image feature to compute. In this work therefore, we present two feature detectors and descriptor methods based on the feature from accelerated segment test detector with Harris corner filter. The first method is called Upright FAST-Harris and binary detector (U-FaHB), while the second method Scale Interpolated FAST-Harris and Binary (SIFaHB). In both methods, feature points are extracted using the accelerated segment test detectors and Harris filter to return the strongest corner points as features. However, in the case of SIFaHB, the extraction of feature points is done across the image plane and along the scale-space. The modular design of these detectors allows for the integration of descriptors of any kind. Therefore, we combine these detectors with binary test descriptor like BRIEF to compute feature regions. These detectors and the combined descriptor are evaluated using different images observed under various geometric and photometric transformations and the performance is compared with other detectors and descriptors. The results obtained show that our proposed feature detector and descriptor method is fast and performs better compared with other methods like SIFT, SURF, ORB, BRISK, CenSurE. Based on the potential of U-FaHB detector and descriptor, we extended it for use in optical flow computation, which we termed the Nearest-flow method. This method has the potential of computing flow vectors for use in obstacle detection. Just like any other new methods, we evaluated the Nearest flow method using real and synthetic image sequences. We compare the performance of the Nearest-flow with other methods like the Lucas and Kanade, Farneback and SIFT-flow. The results obtained show that our Nearest-flow method is faster to compute and performs better on real scene images compared with the other methods. In the final part of this research, we demonstrate the application potential of our proposed methods by developing an obstacle detection and exit sign recognition system on a camera phone and the result obtained shows that the methods have the potential to solve this vision based object detection and recognition problem.

<p>У раду је предложен нови модел за ретку апроксимацију Гаусових<br />компоненти у моделима за статистичко препознавање облика<br />заснованим на Гаусовим смешама, а са циљем редукције сложености<br />препознавања. Апроксимације инверзних коваријансних матрица<br />конструишу се као ретке линеарне комбинације симетричних матрица из<br />наученог редундантног скупа, коришћењем информационог критеријума<br />који почива на принципу минимума дискриминативне информације.<br />Ретка репрезентација подразумева релативно мали број активних<br />компоненти приликом реконструкције сигнала, а тај циљ постиже тако<br />што истовремено тежи: очувању информационог садржаја и<br />једноставности представе или репрезентације.</p> / <p>U radu je predložen novi model za retku aproksimaciju Gausovih<br />komponenti u modelima za statističko prepoznavanje oblika<br />zasnovanim na Gausovim smešama, a sa ciljem redukcije složenosti<br />prepoznavanja. Aproksimacije inverznih kovarijansnih matrica<br />konstruišu se kao retke linearne kombinacije simetričnih matrica iz<br />naučenog redundantnog skupa, korišćenjem informacionog kriterijuma<br />koji počiva na principu minimuma diskriminativne informacije.<br />Retka reprezentacija podrazumeva relativno mali broj aktivnih<br />komponenti prilikom rekonstrukcije signala, a taj cilj postiže tako<br />što istovremeno teži: očuvanju informacionog sadržaja i<br />jednostavnosti predstave ili reprezentacije.</p> / <p>Paper presents a new model for sparse approximation of Gaussian<br />components in statistical pattern recognition models that are based on<br />Gaussian mixtures, with the aim of reducing computational complexity.<br />Approximations of inverse covariance matrices are designed as sparse linear<br />combinations of symmetric matrices that form redundant set, which is learned<br />through information criterion based on the principle of minimum<br />discrimination information. Sparse representation assumes relatively small<br />number of active components in signal reconstruction, and it achieves that<br />goal by simultaneously striving for: preservation of information content and<br />simplicity of notion or representation.</p>

Breast cancer is among the well-researched type compared to other common types of cancer. However, there still remain important open issues for investigation. One of these issues is the clarification of the importance of certain biological factors, such as histological tumour grade and estrogens reception (ER) status, to clinical management of the disease. Until now, histological grading and ER status assessment is based on the visual evaluation of breast tissue specimens under the microscope. More specifically, grading is determined on the visual estimation of certain histological features, on H&E (Hematoxylin & Eosin) stained specimens according to the World Health Organization (WHO) guidelines, whereas ER-status is assessed as the percentage of expressed nuclei on immunohistochemically stained (IHC) specimens as suggested by the American Society of Clinical Oncology (ASCO) protocol. Recent studies have attempted to examine whether histological tumour grade relates to ER status. Such a relation seems to be of importance in the various treatment strategies followed in breast tumours. However, the quantification of ER status presents certain weaknesses: a) there is a lack of consensus among experts regarding the protocol to be followed for calculating the ER status; b) an exact estimate of the ER status is difficult to be obtained, since the latter would require manual counting of positively expressed nuclei. In clinical practice often a gross estimate is obtained by the histopathologists through visual inspection on representative specimen areas. Consequently, the evaluation of ER status, which has been considered by previous studies as the key measure for assessing the correlation between ERs and tumour grade, is prone to the physician’s subjective estimation. Therefore, more reliable methods are needed. This thesis has been carried out in the search of such alternative, more reliable, methods. Accordingly, the aims of the present thesis are: (i) to develop a reliable segmentation methodology for detection of ER-expressed nuclei in breast cancer tissue images stained with IHC, (ii) to objectively quantify ER status in breast cancer tissue images stained with IHC, (iii) to investigate potential correlation between ER status and histological grade by combining information from IHC and H&E stained breast cancer tissue images obtained from the same patient, (iv) to establish evidence for linking chromatin texture variations with textural variations on ER-expressed nuclei, (v) to investigate the potential of the proposed hybrid supervised pattern recognition strategies to other challenging fields of medical image processing and analysis. To address the above issues and in search of reliable methods for quantitatively assessing ER status and its correlation with histological grade based, a novel hybrid (unsupervised-supervised) pattern recognition methodology has been designed, developed and implemented for the analysis of breast cancer tissue images. Moreover, it will be shown that proper modification of the proposed methodology may result to generalize pixel classification approach suitable for processing and analysis of medical images other than microscopic such as Computed Tomography Angiography images. / Σε σχέση με άλλες μορφές καρκίνου, ο καρκίνος του μαστού είναι μεταξύ των ευρέως μελετημένων τύπων καρκίνου, ωστόσο, υπάρχουν ακόμη σημαντικά ανοικτά ζητήματα προς διερεύνηση. Ένα από αυτά τα είναι ο προσδιορισμός της σπουδαιότητας ορισμένων βιολογικών παραγόντων, όπως ο βαθμός διαφοροποίησης της κακοήθειας (ΒΔΚ) του όγκου και το επίπεδο έκφρασης των Οιστρογονικών Υποδοχέων (ΟΥ), στην κλινική διαχείριση της νόσου. Μέχρι τώρα, η εκτίμηση του ΒΔΚ του όγκου και της έκφρασης των ΟΥ είναι βασισμένη στην οπτική αξιολόγηση ιστολογικών δειγμάτων, τα οποία λαμβάνονται από αντιπροσωπευτικές περιοχές του μαστού, στο μικροσκόπιο. Συγκεκριμένα, σύμφωνα με τις οδηγίες του Παγκόσμιου Οργανισμού Υγείας, ο ΒΔΚ του όγκου καθορίζεται από την οπτική εκτίμηση ορισμένων ιστολογικών χαρακτηριστικών γνωρισμάτων σε ιστολογικά δείγματα που έχουν υποστεί χρώση Αιματοξυλίνης - Ηωσίνης (Heamatoxylin & Eosin-Η&Ε), ενώ σύμφωνα με τις οδηγίες της Αμερικάνικης Εταιρείας Κλινικής Ογκολογίας, η έκφραση των ΟΥ πρέπει να εκτιμάται ως το εκατοστιαίο ποσοστό των εκφρασμένων πυρήνων σε δείγματα βαμμένα με ανοσοϊστοχημικές τεχνικές (Immunohistochemistry-IHC). Πρόσφατες μελέτες έχουν προσπαθήσει να εντοπίσουν εάν υπάρχει σύνδεση μεταξύ του ΒΔΚ του όγκου και της έκφρασης των ΟΥ στον όγκο, συσχετίζοντας τον ΒΔΚ από εικόνες με χρώση H&E με τον ποσοστό των εκφρασμένων ΟΥ σε δείγματα IHC. Αυτή η συσχέτιση φαίνεται να είναι σημαντική στις διάφορες ακολουθούμενες στρατηγικές για τη θεραπεία του καρκίνου του μαστού. Εντούτοις, ο προσδιορισμός της έκφρασης των ΟΥ παρουσιάζει ορισμένες αδυναμίες: α) υπάρχει σημαντική μεταβλητότητα μεταξύ των ειδικών σχετικά με το πρωτόκολλο που ακολουθείται για τον υπολογισμό της έκφρασης των ΟΥ, β) είναι δύσκολο να εκτιμηθεί με ακρίβεια η έκφραση των ΟΥ, δεδομένου ότι θα απαιτούσε τη μέτρηση του συνόλου των θετικά εκφρασμένων πυρήνων από τον ειδικό ιστοπαθολόγο. Στην κλινική πράξη, λαμβάνεται συνήθως μια χονδρική εκτίμηση από τον ιστοπαθολόγο, μέσω μικροσκοπίου, παρατηρώντας αντιπροσωπευτικές περιοχές των δειγμάτων όπου υπάρχει μεγάλη συγκέντρωση εκφρασμένων πυρήνων σε ΟΥ. Ως εκ τούτου, η αξιολόγηση της έκφρασης των ΟΥ, που έχει θεωρηθεί από προηγούμενες μελέτες ως βασική μέτρηση για τη συσχέτιση μεταξύ ΟΥ και του βαθμού διαφοροποίησης των όγκων, είναι επιρρεπής στην υποκειμενικότητα του ειδικού. Για τον λόγο αυτό απαιτούνται πιο αξιόπιστες μέθοδοι. Η παρούσα διατριβή πραγματοποιήθηκε σε αναζήτηση εναλλακτικών, πιο αξιόπιστων μεθόδων. Έτσι οι στόχοι της παρούσας διατριβής είναι: (i) η ανάπτυξη μιας αξιόπιστης μεθοδολογίας τμηματοποίησης ιστολογικών εικόνων μικροσκοπίας επεξεργασμένες με χρώση IHC για τον εντοπισμό των πυρήνων που εκφράζουν τους ΟΥ για την αντικειμενική ποσοτικοποίηση της έκφρασης των ΟΥ στον καρκίνο του μαστού, (ii) η διερεύνηση ενδεχόμενης σχέσης μεταξύ της έκφρασης των ΟΥ και του ΒΔΚ του όγκου, συνδυάζοντας την πληροφορία των ιστολογικών δειγμάτων, που προέρχονται από τον καρκινικό ιστό του ίδιου ασθενούς και έχουν υποστεί επεξεργασία με ανοσοϊστοχημική χρώση και με χρώση H&E, (iii) η διερεύνηση πιθανής συσχέτισης στις μεταβολές της υφής της χρωματίνης με τις μεταβολές στην υφή των πυρήνων που εκφράζουν τους ΟΥ, και (iv) η διερεύνηση της δυνατότητας της προτεινόμενης μεθοδολογίας σε άλλους τομείς επεξεργασίας και ανάλυσης ιατρικών εικόνων. Για την εκπλήρωση των ανωτέρω στόχων και σε αναζήτηση αξιόπιστων μεθόδων για την ποσοτικοποίηση της έκφρασης των ΟΥ και της σύνδεσή της με το ΒΔΚ του όγκου, σχεδιάστηκε, αναπτύχθηκε και εφαρμόστηκε μια νέα μεθοδολογία βασισμένη στην αναγνώριση προτύπων ημι-εποπτευόμενης μάθησης για την ανάλυση ιστοπαθολογικής εικόνας. Επιπλέον, η κατάλληλη τροποποίηση της προτεινόμενης μεθόδου μπορεί να οδηγήσει στη γενίκευση της μεθοδολογικής προσέγγισης της ταξινόμησης εικονοστοιχείων για την επεξεργασία και την ανάλυση ιατρικών εικόνων, πέρα αυτών της μικροσκοπίας, όπως εικόνες από Aγγειογραφία Υπολογιστικής Τομογραφίας.

No description available.