{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1316145"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1316145","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 Συστήματος Αυτόματης Ταξινόμησης Όγκων Εγκεφάλου σε Πλατφόρμα Τηλεπαθολογίας με Βάση Ιστοπαθολογικές Εικόνες","abstract":"Στα πλαίσια της παρούσας εργασίας αναπτύχθηκε σύστημα τηλεπαθολογίας και υποβοήθησης της διάγνωσης για την βελτίωση της ακρίβειας ταξινόμησης καρκίνων εγκεφάλου σε βαθμούς κακοήθειας. Το κλινικό υλικό που χρησιμοποιήθηκε ήταν δείγματα ιστοπαθολογικού ιστού, που συλλέχτηκαν από 35 ασθενείς από το Πανεπιστημιακό Νοσοκομείο της Πάτρας, οι οποίοι είχαν διαγνωστεί με αστροκυτταρικό όγκο. Πραγματοποιήθηκε προετοιμασία των δεδομένων κατά την οποία τα δείγματα ιστού χρωματίστηκαν με H&E (Hematoxylin & Eosin), ώστε να φανερωθούν τα διάφορα συστατικά των κυττάρων και των πυρήνων αλλά και για να διακριθούν μεταξύ τους. Στη συνέχεια, ένας ιστοπαθολόγος εξέτασε τις χρωματισμένες εικόνες των δειγμάτων ιστού και πραγματοποίησε διάγνωση με βάση ιστολογικά κριτήρια σε τρεις βαθμούς κακοήθειας (Ι, ΙΙ, ΙΙΙ ή ΙV) σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (World Health Organization - WHO). Ταυτόχρονα, ο ίδιος ιστοπαθολόγος σημείωσε πάνω στις πλάκες των δειγμάτων την πιο αντιπροσωπευτική περιοχή (Region Of Interest - ROI) για την εξέταση αυτών. Έτσι, ακολούθησε η ψηφιοποίηση της εικόνας, όπου από κάθε δείγμα ψηφιοποιήθηκαν εικόνες, η οποίες πάρθηκαν από το προκαθορισμένο ROI και εφαρμόστηκε τμηματοποίηση πυρήνων. Το σημαντικότερο στοιχείο μιας τέτοιας εικόνας, από το οποίο μπορούν να εξαχθούν συμπεράσματα για την διάγνωση, είναι οι πυρήνες. Επομένως, δημιουργήθηκαν αλγόριθμοι, οι οποίοι απομάκρυναν όλες τις υπόλοιπες περιοχές της εικόνας και τμηματοποίησαν τους πυρήνες για περισσότερη ανάλυση αυτών. Από τα αποτελέσματα της τμηματοποίησης των εικόνων προέκυψε ότι για τον υπολογισμό των χαρακτηριστικών της παρούσας εργασίας απομονώθηκαν και μελετήθηκαν συνολικά κατά μέσο όρο 588 τμηματοποιημένοι πυρήνες για κάθε δείγμα- ασθενή, ενόσω έχει αποδειχθεί ότι ακόμη και 200 ορθά τμηματοποιημένοι πυρήνες είναι επαρκείς για την εξαγωγή χαρακτηριστικών. Κατόπιν, εξήχθησαν χαρακτηριστικά μορφολογίας, υφής και αρχιτεκτονικής από τους τμηματοποιημένους πυρήνες για να περιγράψουν τον βαθμό κακοήθειας του κάθε δείγματος-ασθενή. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε, έτσι ώστε να προβλέπει την επικινδυνότητα του κάθε όγκου. Το σύστημα αυτό δομείται με αλγορίθμους supervised, semi-supervised και unsupervised. Ο SVM Supervised Classif ier (Polynomial ή Quadratic kernel) αποτέλεσε μια λύση στην αυτοματοποιημένη ταξινόμηση αστροκυττωμάτων, καθώς έδωσε ποσοστό ακρίβειας 94.29% στην ταξινόμηση των δεδομένων. Oι unsupervised clustering k-Means και Fuzzy έδωσαν ποσοστό ακρίβειας 74.29% και ο Semi-Supervised with Co-Training ταξινομητής έδωσε μέγιστο ποσοστό ακρίβειας 88.57%. Τέλος, τα χαρακτηριστικά Mean (χαρακτηριστικό υφής 1ης τάξης), mean Correlation, range Correlation, mean Gray Level Non-Uniformity και mean Run Length Non-Uniformity (χαρακτηριστικά υφής 2ης τάξης) αναδείχθηκαν τα χαρακτηριστικά εκείνα με το μεγαλύτερο ποσοστό πιθανότητας εμφάνισης στο διάνυσμα χαρακτηριστικών εκείνο, το οποίο δίνει το μέγιστο (καλύτερο) ποσοστό ακρίβειας ενός ταξινομητή.","abstract_html":"Στα πλαίσια της παρούσας εργασίας αναπτύχθηκε σύστημα τηλεπαθολογίας και υποβοήθησης της διάγνωσης για την βελτίωση της ακρίβειας ταξινόμησης καρκίνων εγκεφάλου σε βαθμούς κακοήθειας. Το κλινικό υλικό που χρησιμοποιήθηκε ήταν δείγματα ιστοπαθολογικού ιστού, που συλλέχτηκαν από 35 ασθενείς από το Πανεπιστημιακό Νοσοκομείο της Πάτρας, οι οποίοι είχαν διαγνωστεί με αστροκυτταρικό όγκο. Πραγματοποιήθηκε προετοιμασία των δεδομένων κατά την οποία τα δείγματα ιστού χρωματίστηκαν με H&amp;E (Hematoxylin &amp; Eosin), ώστε να φανερωθούν τα διάφορα συστατικά των κυττάρων και των πυρήνων αλλά και για να διακριθούν μεταξύ τους. Στη συνέχεια, ένας ιστοπαθολόγος εξέτασε τις χρωματισμένες εικόνες των δειγμάτων ιστού και πραγματοποίησε διάγνωση με βάση ιστολογικά κριτήρια σε τρεις βαθμούς κακοήθειας (Ι, ΙΙ, ΙΙΙ ή ΙV) σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (World Health Organization - WHO). Ταυτόχρονα, ο ίδιος ιστοπαθολόγος σημείωσε πάνω στις πλάκες των δειγμάτων την πιο αντιπροσωπευτική περιοχή (Region Of Interest - ROI) για την εξέταση αυτών. Έτσι, ακολούθησε η ψηφιοποίηση της εικόνας, όπου από κάθε δείγμα ψηφιοποιήθηκαν εικόνες, η οποίες πάρθηκαν από το προκαθορισμένο ROI και εφαρμόστηκε τμηματοποίηση πυρήνων. Το σημαντικότερο στοιχείο μιας τέτοιας εικόνας, από το οποίο μπορούν να εξαχθούν συμπεράσματα για την διάγνωση, είναι οι πυρήνες. Επομένως, δημιουργήθηκαν αλγόριθμοι, οι οποίοι απομάκρυναν όλες τις υπόλοιπες περιοχές της εικόνας και τμηματοποίησαν τους πυρήνες για περισσότερη ανάλυση αυτών. Από τα αποτελέσματα της τμηματοποίησης των εικόνων προέκυψε ότι για τον υπολογισμό των χαρακτηριστικών της παρούσας εργασίας απομονώθηκαν και μελετήθηκαν συνολικά κατά μέσο όρο 588 τμηματοποιημένοι πυρήνες για κάθε δείγμα- ασθενή, ενόσω έχει αποδειχθεί ότι ακόμη και 200 ορθά τμηματοποιημένοι πυρήνες είναι επαρκείς για την εξαγωγή χαρακτηριστικών. Κατόπιν, εξήχθησαν χαρακτηριστικά μορφολογίας, υφής και αρχιτεκτονικής από τους τμηματοποιημένους πυρήνες για να περιγράψουν τον βαθμό κακοήθειας του κάθε δείγματος-ασθενή. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε, έτσι ώστε να προβλέπει την επικινδυνότητα του κάθε όγκου. Το σύστημα αυτό δομείται με αλγορίθμους supervised, semi-supervised και unsupervised. Ο SVM Supervised Classif ier (Polynomial ή Quadratic kernel) αποτέλεσε μια λύση στην αυτοματοποιημένη ταξινόμηση αστροκυττωμάτων, καθώς έδωσε ποσοστό ακρίβειας 94.29% στην ταξινόμηση των δεδομένων. Oι unsupervised clustering k-Means και Fuzzy έδωσαν ποσοστό ακρίβειας 74.29% και ο Semi-Supervised with Co-Training ταξινομητής έδωσε μέγιστο ποσοστό ακρίβειας 88.57%. Τέλος, τα χαρακτηριστικά Mean (χαρακτηριστικό υφής 1ης τάξης), mean Correlation, range Correlation, mean Gray Level Non-Uniformity και mean Run Length Non-Uniformity (χαρακτηριστικά υφής 2ης τάξης) αναδείχθηκαν τα χαρακτηριστικά εκείνα με το μεγαλύτερο ποσοστό πιθανότητας εμφάνισης στο διάνυσμα χαρακτηριστικών εκείνο, το οποίο δίνει το μέγιστο (καλύτερο) ποσοστό ακρίβειας ενός ταξινομητή.","abstract_has_math":false,"creators":["Ξενάκη Σπυριδούλα"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2012,"date_issued":"2012","date_published":"2012","updated_at":"2026-11-19T05:24:23Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316145"],"render_values":[{"text":"uoadl:1316145","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316145","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316145","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%3A1316145","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ξενάκη Σπυριδούλα"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2012"]},{"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:1316145","https://pergamos.lib.uoa.gr/uoa/dl/object/1316145"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στα πλαίσια της παρούσας εργασίας αναπτύχθηκε σύστημα τηλεπαθολογίας και υποβοήθησης της διάγνωσης για την βελτίωση της ακρίβειας ταξινόμησης καρκίνων εγκεφάλου σε βαθμούς κακοήθειας. Το κλινικό υλικό που χρησιμοποιήθηκε ήταν δείγματα ιστοπαθολογικού ιστού, που συλλέχτηκαν από 35 ασθενείς από το Πανεπιστημιακό Νοσοκομείο της Πάτρας, οι οποίοι είχαν διαγνωστεί με αστροκυτταρικό όγκο. Πραγματοποιήθηκε προετοιμασία των δεδομένων κατά την οποία τα δείγματα ιστού χρωματίστηκαν με H&E (Hematoxylin & Eosin), ώστε να φανερωθούν τα διάφορα συστατικά των κυττάρων και των πυρήνων αλλά και για να διακριθούν μεταξύ τους. Στη συνέχεια, ένας ιστοπαθολόγος εξέτασε τις χρωματισμένες εικόνες των δειγμάτων ιστού και πραγματοποίησε διάγνωση με βάση ιστολογικά κριτήρια σε τρεις βαθμούς κακοήθειας (Ι, ΙΙ, ΙΙΙ ή ΙV) σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (World Health Organization - WHO). Ταυτόχρονα, ο ίδιος ιστοπαθολόγος σημείωσε πάνω στις πλάκες των δειγμάτων την πιο αντιπροσωπευτική περιοχή (Region Of Interest - ROI) για την εξέταση αυτών. Έτσι, ακολούθησε η ψηφιοποίηση της εικόνας, όπου από κάθε δείγμα ψηφιοποιήθηκαν εικόνες, η οποίες πάρθηκαν από το προκαθορισμένο ROI και εφαρμόστηκε τμηματοποίηση πυρήνων. Το σημαντικότερο στοιχείο μιας τέτοιας εικόνας, από το οποίο μπορούν να εξαχθούν συμπεράσματα για την διάγνωση, είναι οι πυρήνες. Επομένως, δημιουργήθηκαν αλγόριθμοι, οι οποίοι απομάκρυναν όλες τις υπόλοιπες περιοχές της εικόνας και τμηματοποίησαν τους πυρήνες για περισσότερη ανάλυση αυτών. Από τα αποτελέσματα της τμηματοποίησης των εικόνων προέκυψε ότι για τον υπολογισμό των χαρακτηριστικών της παρούσας εργασίας απομονώθηκαν και μελετήθηκαν συνολικά κατά μέσο όρο 588 τμηματοποιημένοι πυρήνες για κάθε δείγμα- ασθενή, ενόσω έχει αποδειχθεί ότι ακόμη και 200 ορθά τμηματοποιημένοι πυρήνες είναι επαρκείς για την εξαγωγή χαρακτηριστικών. Κατόπιν, εξήχθησαν χαρακτηριστικά μορφολογίας, υφής και αρχιτεκτονικής από τους τμηματοποιημένους πυρήνες για να περιγράψουν τον βαθμό κακοήθειας του κάθε δείγματος-ασθενή. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε, έτσι ώστε να προβλέπει την επικινδυνότητα του κάθε όγκου. Το σύστημα αυτό δομείται με αλγορίθμους supervised, semi-supervised και unsupervised. Ο SVM Supervised Classif ier (Polynomial ή Quadratic kernel) αποτέλεσε μια λύση στην αυτοματοποιημένη ταξινόμηση αστροκυττωμάτων, καθώς έδωσε ποσοστό ακρίβειας 94.29% στην ταξινόμηση των δεδομένων. Oι unsupervised clustering k-Means και Fuzzy έδωσαν ποσοστό ακρίβειας 74.29% και ο Semi-Supervised with Co-Training ταξινομητής έδωσε μέγιστο ποσοστό ακρίβειας 88.57%. Τέλος, τα χαρακτηριστικά Mean (χαρακτηριστικό υφής 1ης τάξης), mean Correlation, range Correlation, mean Gray Level Non-Uniformity και mean Run Length Non-Uniformity (χαρακτηριστικά υφής 2ης τάξης) αναδείχθηκαν τα χαρακτηριστικά εκείνα με το μεγαλύτερο ποσοστό πιθανότητας εμφάνισης στο διάνυσμα χαρακτηριστικών εκείνο, το οποίο δίνει το μέγιστο (καλύτερο) ποσοστό ακρίβειας ενός ταξινομητή.","In this thesis, a telepathology system has been developed which assists in improving diagnostic accuracy of brain cancer classification into grades of malignancy. The clinical material was histopathological tissue samples, which were collected from 35 patients from the University Hospital of Patra, who were diagnosed with astrocytic tumor. During data preparation the tissue samples were stained with H & E (Hematoxylin & Eosin), in order to expose the various components of the cells and nuclei. Then, a histopathologist examined the stained histopathological images of tissue samples and performed diagnosis based on histological criteria of malignancy in three grades (I, II, III or IV) according to the World Health Organization (WHO). At the same time, the histopathologist noted on the samples the most representative region (Region of Interest - ROI) for the examination. Thus, each sample image was digitized, taken from the predefined ROI and applied nuclei segmentation. The most important element of such a picture, from which conclusions can be drawn for the diagnosis, is the nucleus. Therefore, algorithms were created, which removed all remaining areas of the image and segmented nuclei for further analysis of these. From the results of image segmentation revealed that overall average 588 segmented nuclei were isolated and studied for each patient sample, while it has been shown that even 200 correctly segmented nuclei are sufficient to feature extraction. Then morphological characteristics, texture and architecture of their segmented nuclei were exported to describe the degree of malignancy of each sample-patient relationship. These characteristics were entering a pattern recognition system designed to provide the dangerousness of each tumor. This system was constructed by supervised, semi-supervised and unsupervised algorithms. The SVM Supervised Classifier (Polynomial or Quadratic kernel) has been proved a solution in the automated classification of astrocytomas as it had an accuracy rate of 94.29% in classifying data. The unsupervised clustering k-Means and Fuzzy gave an accuracy rate of 74.29% and Semi-Supervised with Co-Training classifier gave maximum accuracy rate of 88.57%. Finally, the characteristics Mean (first class texture feature), mean Correlation, range Correlation, mean Gray Level Non-Uniformity and mean Run Length Non-Uniformity (second class textural) highlighted as those features with the highest percentage likelihood to appear in feature vector that gives the maximum (best) accuracy rate of a classifier."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη Συστήματος Αυτόματης Ταξινόμησης Όγκων Εγκεφάλου σε Πλατφόρμα Τηλεπαθολογίας με Βάση Ιστοπαθολογικές Εικόνες"]}]}],"canonical_facts":{"dc:creator":["Ξενάκη Σπυριδούλα"],"dc:date":["2012"],"dc:description":["Στα πλαίσια της παρούσας εργασίας αναπτύχθηκε σύστημα τηλεπαθολογίας και υποβοήθησης της διάγνωσης για την βελτίωση της ακρίβειας ταξινόμησης καρκίνων εγκεφάλου σε βαθμούς κακοήθειας. Το κλινικό υλικό που χρησιμοποιήθηκε ήταν δείγματα ιστοπαθολογικού ιστού, που συλλέχτηκαν από 35 ασθενείς από το Πανεπιστημιακό Νοσοκομείο της Πάτρας, οι οποίοι είχαν διαγνωστεί με αστροκυτταρικό όγκο. Πραγματοποιήθηκε προετοιμασία των δεδομένων κατά την οποία τα δείγματα ιστού χρωματίστηκαν με H&E (Hematoxylin & Eosin), ώστε να φανερωθούν τα διάφορα συστατικά των κυττάρων και των πυρήνων αλλά και για να διακριθούν μεταξύ τους. Στη συνέχεια, ένας ιστοπαθολόγος εξέτασε τις χρωματισμένες εικόνες των δειγμάτων ιστού και πραγματοποίησε διάγνωση με βάση ιστολογικά κριτήρια σε τρεις βαθμούς κακοήθειας (Ι, ΙΙ, ΙΙΙ ή ΙV) σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (World Health Organization - WHO). Ταυτόχρονα, ο ίδιος ιστοπαθολόγος σημείωσε πάνω στις πλάκες των δειγμάτων την πιο αντιπροσωπευτική περιοχή (Region Of Interest - ROI) για την εξέταση αυτών. Έτσι, ακολούθησε η ψηφιοποίηση της εικόνας, όπου από κάθε δείγμα ψηφιοποιήθηκαν εικόνες, η οποίες πάρθηκαν από το προκαθορισμένο ROI και εφαρμόστηκε τμηματοποίηση πυρήνων. Το σημαντικότερο στοιχείο μιας τέτοιας εικόνας, από το οποίο μπορούν να εξαχθούν συμπεράσματα για την διάγνωση, είναι οι πυρήνες. Επομένως, δημιουργήθηκαν αλγόριθμοι, οι οποίοι απομάκρυναν όλες τις υπόλοιπες περιοχές της εικόνας και τμηματοποίησαν τους πυρήνες για περισσότερη ανάλυση αυτών. Από τα αποτελέσματα της τμηματοποίησης των εικόνων προέκυψε ότι για τον υπολογισμό των χαρακτηριστικών της παρούσας εργασίας απομονώθηκαν και μελετήθηκαν συνολικά κατά μέσο όρο 588 τμηματοποιημένοι πυρήνες για κάθε δείγμα- ασθενή, ενόσω έχει αποδειχθεί ότι ακόμη και 200 ορθά τμηματοποιημένοι πυρήνες είναι επαρκείς για την εξαγωγή χαρακτηριστικών. Κατόπιν, εξήχθησαν χαρακτηριστικά μορφολογίας, υφής και αρχιτεκτονικής από τους τμηματοποιημένους πυρήνες για να περιγράψουν τον βαθμό κακοήθειας του κάθε δείγματος-ασθενή. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε, έτσι ώστε να προβλέπει την επικινδυνότητα του κάθε όγκου. Το σύστημα αυτό δομείται με αλγορίθμους supervised, semi-supervised και unsupervised. Ο SVM Supervised Classif ier (Polynomial ή Quadratic kernel) αποτέλεσε μια λύση στην αυτοματοποιημένη ταξινόμηση αστροκυττωμάτων, καθώς έδωσε ποσοστό ακρίβειας 94.29% στην ταξινόμηση των δεδομένων. Oι unsupervised clustering k-Means και Fuzzy έδωσαν ποσοστό ακρίβειας 74.29% και ο Semi-Supervised with Co-Training ταξινομητής έδωσε μέγιστο ποσοστό ακρίβειας 88.57%. Τέλος, τα χαρακτηριστικά Mean (χαρακτηριστικό υφής 1ης τάξης), mean Correlation, range Correlation, mean Gray Level Non-Uniformity και mean Run Length Non-Uniformity (χαρακτηριστικά υφής 2ης τάξης) αναδείχθηκαν τα χαρακτηριστικά εκείνα με το μεγαλύτερο ποσοστό πιθανότητας εμφάνισης στο διάνυσμα χαρακτηριστικών εκείνο, το οποίο δίνει το μέγιστο (καλύτερο) ποσοστό ακρίβειας ενός ταξινομητή.","In this thesis, a telepathology system has been developed which assists in improving diagnostic accuracy of brain cancer classification into grades of malignancy. The clinical material was histopathological tissue samples, which were collected from 35 patients from the University Hospital of Patra, who were diagnosed with astrocytic tumor. During data preparation the tissue samples were stained with H & E (Hematoxylin & Eosin), in order to expose the various components of the cells and nuclei. Then, a histopathologist examined the stained histopathological images of tissue samples and performed diagnosis based on histological criteria of malignancy in three grades (I, II, III or IV) according to the World Health Organization (WHO). At the same time, the histopathologist noted on the samples the most representative region (Region of Interest - ROI) for the examination. Thus, each sample image was digitized, taken from the predefined ROI and applied nuclei segmentation. The most important element of such a picture, from which conclusions can be drawn for the diagnosis, is the nucleus. Therefore, algorithms were created, which removed all remaining areas of the image and segmented nuclei for further analysis of these. From the results of image segmentation revealed that overall average 588 segmented nuclei were isolated and studied for each patient sample, while it has been shown that even 200 correctly segmented nuclei are sufficient to feature extraction. Then morphological characteristics, texture and architecture of their segmented nuclei were exported to describe the degree of malignancy of each sample-patient relationship. These characteristics were entering a pattern recognition system designed to provide the dangerousness of each tumor. This system was constructed by supervised, semi-supervised and unsupervised algorithms. The SVM Supervised Classifier (Polynomial or Quadratic kernel) has been proved a solution in the automated classification of astrocytomas as it had an accuracy rate of 94.29% in classifying data. The unsupervised clustering k-Means and Fuzzy gave an accuracy rate of 74.29% and Semi-Supervised with Co-Training classifier gave maximum accuracy rate of 88.57%. Finally, the characteristics Mean (first class texture feature), mean Correlation, range Correlation, mean Gray Level Non-Uniformity and mean Run Length Non-Uniformity (second class textural) highlighted as those features with the highest percentage likelihood to appear in feature vector that gives the maximum (best) accuracy rate of a classifier."],"dc:identifier":["uoadl:1316145","https://pergamos.lib.uoa.gr/uoa/dl/object/1316145"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Ανάπτυξη Συστήματος Αυτόματης Ταξινόμησης Όγκων Εγκεφάλου σε Πλατφόρμα Τηλεπαθολογίας με Βάση Ιστοπαθολογικές Εικόνες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:24:23Z"}