{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1316125"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1316125","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη ολοκληρωμένου περιβάλλοντος ανάλυσης και ταξινόμησης μαστογραφικών εικόνων","abstract":"Η μαστογραφία είναι μια αποτελεσματική και ασφαλής μέθοδος για την διάγνωση του καρκίνου. Ωστόσο, η ερμηνεία των μαστογραφιών ενέχει δυσκολίες για τους ακτινολόγους. Έτσι, έχουν αναπτυχθεί συστήματα υποβοηθούμενης διάγνωσης (CAD) που παρέχουν μια δεύτερη γνώμη για την τελική τους διάγνωση. Οι μικροασβεστώσεις είναι ευρήματα που σχετίζονται με τον καρκίνο του μαστού και μπορεί να είναι καλοήθεις ή κακοήθεις. Στην παρούσα εργασία παρουσιάζουμε το CAD σύστημα Ιπποκράτης-μστ που στοχεύει στην ανάλυση και αξιολόγηση μεμονωμένων μικροασβεστώσεων και συμπλεγμάτων. Η εφαρμογή περιλαμβάνει: α) αρχειοθέτηση ασθενών, β) χρήση τεχνικών ανάλυσης μαστογραφικής εικόνας, γ) ανίχνευση και ανάλυση μικροασβεστώσεων δ) εξαγωγή διάγνωσης στηριζόμενη στον αλγόριθμο SVM. Επίσης, αναπτύξαμε ένα συνδυαστικό σχήμα ταξινόμησης μαστογραφικών εικόνων που αποτελείται από έναν SVM και έναν νέο ταξινομητή που δημιουργήσαμε. Ο SVM εκπαιδεύεται με ένα μικρό σύνολο χαρακτηριστικών των μικροασβεστώσεων που επελέγησαν μετά από υπολογισμούς. Ο νέος ταξινομητής κατηγοριοποιεί νέες μαστογραφίες με βάση το περιεχόμενό τους και στηρίζεται στον υπολογισμό αποστάσεων ανάμεσα στο διάνυσμα χαρακτηριστικών της άγνωστης εικόνας και των γνωστών εικόνων. Η απόφαση προκύπτει από τις ψήφους των κοντινότερων γνωστών εικόνων. Η τελική πρόβλεψη της άγνωστης εικόνας, προκύπτει από τον συνδυασμό των προβλέψεων των δυο ταξινομητών, με εφαρμογή ενός απλού κανόνα. Επίσης, επικαιροποιήθηκε η διαδικτυακή βάση μαστογραφικών εικόνων MIRACLE.","abstract_html":"Η μαστογραφία είναι μια αποτελεσματική και ασφαλής μέθοδος για την διάγνωση του καρκίνου. Ωστόσο, η ερμηνεία των μαστογραφιών ενέχει δυσκολίες για τους ακτινολόγους. Έτσι, έχουν αναπτυχθεί συστήματα υποβοηθούμενης διάγνωσης (CAD) που παρέχουν μια δεύτερη γνώμη για την τελική τους διάγνωση. Οι μικροασβεστώσεις είναι ευρήματα που σχετίζονται με τον καρκίνο του μαστού και μπορεί να είναι καλοήθεις ή κακοήθεις. Στην παρούσα εργασία παρουσιάζουμε το CAD σύστημα Ιπποκράτης-μστ που στοχεύει στην ανάλυση και αξιολόγηση μεμονωμένων μικροασβεστώσεων και συμπλεγμάτων. Η εφαρμογή περιλαμβάνει: α) αρχειοθέτηση ασθενών, β) χρήση τεχνικών ανάλυσης μαστογραφικής εικόνας, γ) ανίχνευση και ανάλυση μικροασβεστώσεων δ) εξαγωγή διάγνωσης στηριζόμενη στον αλγόριθμο SVM. Επίσης, αναπτύξαμε ένα συνδυαστικό σχήμα ταξινόμησης μαστογραφικών εικόνων που αποτελείται από έναν SVM και έναν νέο ταξινομητή που δημιουργήσαμε. Ο SVM εκπαιδεύεται με ένα μικρό σύνολο χαρακτηριστικών των μικροασβεστώσεων που επελέγησαν μετά από υπολογισμούς. Ο νέος ταξινομητής κατηγοριοποιεί νέες μαστογραφίες με βάση το περιεχόμενό τους και στηρίζεται στον υπολογισμό αποστάσεων ανάμεσα στο διάνυσμα χαρακτηριστικών της άγνωστης εικόνας και των γνωστών εικόνων. Η απόφαση προκύπτει από τις ψήφους των κοντινότερων γνωστών εικόνων. Η τελική πρόβλεψη της άγνωστης εικόνας, προκύπτει από τον συνδυασμό των προβλέψεων των δυο ταξινομητών, με εφαρμογή ενός απλού κανόνα. Επίσης, επικαιροποιήθηκε η διαδικτυακή βάση μαστογραφικών εικόνων MIRACLE.","abstract_has_math":false,"creators":["Λεβέντη Κωνσταντίνα"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-11-19T05:24:23Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316125"],"render_values":[{"text":"uoadl:1316125","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316125","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316125","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1316125","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λεβέντη Κωνσταντίνα"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2015"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316125","https://pergamos.lib.uoa.gr/uoa/dl/object/1316125"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μαστογραφία είναι μια αποτελεσματική και ασφαλής μέθοδος για την διάγνωση του καρκίνου. Ωστόσο, η ερμηνεία των μαστογραφιών ενέχει δυσκολίες για τους ακτινολόγους. Έτσι, έχουν αναπτυχθεί συστήματα υποβοηθούμενης διάγνωσης (CAD) που παρέχουν μια δεύτερη γνώμη για την τελική τους διάγνωση. Οι μικροασβεστώσεις είναι ευρήματα που σχετίζονται με τον καρκίνο του μαστού και μπορεί να είναι καλοήθεις ή κακοήθεις. Στην παρούσα εργασία παρουσιάζουμε το CAD σύστημα Ιπποκράτης-μστ που στοχεύει στην ανάλυση και αξιολόγηση μεμονωμένων μικροασβεστώσεων και συμπλεγμάτων. Η εφαρμογή περιλαμβάνει: α) αρχειοθέτηση ασθενών, β) χρήση τεχνικών ανάλυσης μαστογραφικής εικόνας, γ) ανίχνευση και ανάλυση μικροασβεστώσεων δ) εξαγωγή διάγνωσης στηριζόμενη στον αλγόριθμο SVM. Επίσης, αναπτύξαμε ένα συνδυαστικό σχήμα ταξινόμησης μαστογραφικών εικόνων που αποτελείται από έναν SVM και έναν νέο ταξινομητή που δημιουργήσαμε. Ο SVM εκπαιδεύεται με ένα μικρό σύνολο χαρακτηριστικών των μικροασβεστώσεων που επελέγησαν μετά από υπολογισμούς. Ο νέος ταξινομητής κατηγοριοποιεί νέες μαστογραφίες με βάση το περιεχόμενό τους και στηρίζεται στον υπολογισμό αποστάσεων ανάμεσα στο διάνυσμα χαρακτηριστικών της άγνωστης εικόνας και των γνωστών εικόνων. Η απόφαση προκύπτει από τις ψήφους των κοντινότερων γνωστών εικόνων. Η τελική πρόβλεψη της άγνωστης εικόνας, προκύπτει από τον συνδυασμό των προβλέψεων των δυο ταξινομητών, με εφαρμογή ενός απλού κανόνα. Επίσης, επικαιροποιήθηκε η διαδικτυακή βάση μαστογραφικών εικόνων MIRACLE.","Mammography is an effective and safe method to diagnose breast cancer. However, the interpretation of mammograms involves difficulties for the radiologists. Hence, Computer Aided Diagnosis (CAD) systems have been developed to provide radiologists a second opinion. Microcalcifications are benign or malignant findings that relate to breast cancer. In this master thesis we present the CAD system Hippoctates-mst which is based on the analysis of single microcalcifications and clusters. The implementation includes: a) patient’s archive, b) mammographic image analysis, c) MCs detection and analysis d) final diagnosis based on SVM algorithm. During this project a combined classification scheme has been developed to classify mammographic images. This scheme consists of an SVM classifier and a new classifier we have created. The SVM is trained with a small group of features that were selected after calculations. The other classifier categorizes new mammograms based on their content and relies on the calculation of distances between the feature vector of the unknown image and the known images. The decision is based on majority voting regarding the nearest known images. The final prediction arises from the combination of the predictions of the two classifiers by applying a simple rule. In addition, we updated the MIRACLE database."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη ολοκληρωμένου περιβάλλοντος ανάλυσης και ταξινόμησης μαστογραφικών εικόνων"]}]}],"canonical_facts":{"dc:creator":["Λεβέντη Κωνσταντίνα"],"dc:date":["2015"],"dc:description":["Η μαστογραφία είναι μια αποτελεσματική και ασφαλής μέθοδος για την διάγνωση του καρκίνου. Ωστόσο, η ερμηνεία των μαστογραφιών ενέχει δυσκολίες για τους ακτινολόγους. Έτσι, έχουν αναπτυχθεί συστήματα υποβοηθούμενης διάγνωσης (CAD) που παρέχουν μια δεύτερη γνώμη για την τελική τους διάγνωση. Οι μικροασβεστώσεις είναι ευρήματα που σχετίζονται με τον καρκίνο του μαστού και μπορεί να είναι καλοήθεις ή κακοήθεις. Στην παρούσα εργασία παρουσιάζουμε το CAD σύστημα Ιπποκράτης-μστ που στοχεύει στην ανάλυση και αξιολόγηση μεμονωμένων μικροασβεστώσεων και συμπλεγμάτων. Η εφαρμογή περιλαμβάνει: α) αρχειοθέτηση ασθενών, β) χρήση τεχνικών ανάλυσης μαστογραφικής εικόνας, γ) ανίχνευση και ανάλυση μικροασβεστώσεων δ) εξαγωγή διάγνωσης στηριζόμενη στον αλγόριθμο SVM. Επίσης, αναπτύξαμε ένα συνδυαστικό σχήμα ταξινόμησης μαστογραφικών εικόνων που αποτελείται από έναν SVM και έναν νέο ταξινομητή που δημιουργήσαμε. Ο SVM εκπαιδεύεται με ένα μικρό σύνολο χαρακτηριστικών των μικροασβεστώσεων που επελέγησαν μετά από υπολογισμούς. Ο νέος ταξινομητής κατηγοριοποιεί νέες μαστογραφίες με βάση το περιεχόμενό τους και στηρίζεται στον υπολογισμό αποστάσεων ανάμεσα στο διάνυσμα χαρακτηριστικών της άγνωστης εικόνας και των γνωστών εικόνων. Η απόφαση προκύπτει από τις ψήφους των κοντινότερων γνωστών εικόνων. Η τελική πρόβλεψη της άγνωστης εικόνας, προκύπτει από τον συνδυασμό των προβλέψεων των δυο ταξινομητών, με εφαρμογή ενός απλού κανόνα. Επίσης, επικαιροποιήθηκε η διαδικτυακή βάση μαστογραφικών εικόνων MIRACLE.","Mammography is an effective and safe method to diagnose breast cancer. However, the interpretation of mammograms involves difficulties for the radiologists. Hence, Computer Aided Diagnosis (CAD) systems have been developed to provide radiologists a second opinion. Microcalcifications are benign or malignant findings that relate to breast cancer. In this master thesis we present the CAD system Hippoctates-mst which is based on the analysis of single microcalcifications and clusters. The implementation includes: a) patient’s archive, b) mammographic image analysis, c) MCs detection and analysis d) final diagnosis based on SVM algorithm. During this project a combined classification scheme has been developed to classify mammographic images. This scheme consists of an SVM classifier and a new classifier we have created. The SVM is trained with a small group of features that were selected after calculations. The other classifier categorizes new mammograms based on their content and relies on the calculation of distances between the feature vector of the unknown image and the known images. The decision is based on majority voting regarding the nearest known images. The final prediction arises from the combination of the predictions of the two classifiers by applying a simple rule. In addition, we updated the MIRACLE database."],"dc:identifier":["uoadl:1316125","https://pergamos.lib.uoa.gr/uoa/dl/object/1316125"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Ανάπτυξη ολοκληρωμένου περιβάλλοντος ανάλυσης και ταξινόμησης μαστογραφικών εικόνων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:24:23Z"}