{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318108"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318108","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Κατηγοριοποίηση Δεδομένων Κυτταρολογικής Βιοψίας Δερματικών Παθήσεων","abstract":"Οι δερματοπάθειες είναι αρκετά συνηθισμένες, εμφανίζουν μεγάλο βαθμό περιπλοκότητας και επηρεάζουν σημαντικά την ποιότητα ζωής των ασθενών. Καθώς αρκετά συχνά διαφορετικές δερματικές ασθένειες- παθήσεις παρουσιάζουν παρόμοια συμπτώματα, είναι αρκετά δύσκολη η αξιόπιστη και έγκυρη διάγνωσή τους. Συνήθως μια βιοψία είναι απαραίτητη για τη διάγνωση. Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάπτυξη και στην εφαρμογή μεθόδων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων κυτταρολογικής βιοψίας δερματικών ασθενειών. Συγκεκριμένα, χρησιμοποιήθηκαν δεδομένα κυτταρολογικής βιοψίας από 113 περιπτώσεις από δύο διαφορετικές δερματικές παθήσεις. Η πρώτη κατηγορία είναι η seboreicdermatitis με 61 περιπτώσεις και η δεύτερη κατηγορία είναι η chronicdermatitis με 52 περιπτώσεις. Για κάθε περίπτωση, είναι διαθέσιμα 33 χαρακτηριστικά (π.χ. erythema, scaling, itching, melanin incontinence, acanthosis).Πραγματοποιήθηκε επιλογή χαρακτηριστικών των προτύπων, με χρήση μεθόδων όπως εξαντλητική αναζήτηση και η διαχωριστική ικανότητα των χαρακτηριστικών δοκιμάστηκε με διάφορους ταξινομητές (π.χ. MDC, k-NN, SVM, PNN) και με μεθόδους αξιολόγησης όπως η Leave One Out (LOO). Τέλος, οι αναπτυχθείσες μεθοδολογίες συγκρίθηκαν μεταξύ τους ώστε να βρεθεί ο συνδυασμός μεθόδου επιλογής χαρακτηριστικών και μεθόδου κατηγοριοποίησης που παρέχει τα αποτελέσματα με τη μεγαλύτερη δυνατή ακρίβεια.","abstract_html":"Οι δερματοπάθειες είναι αρκετά συνηθισμένες, εμφανίζουν μεγάλο βαθμό περιπλοκότητας και επηρεάζουν σημαντικά την ποιότητα ζωής των ασθενών. Καθώς αρκετά συχνά διαφορετικές δερματικές ασθένειες- παθήσεις παρουσιάζουν παρόμοια συμπτώματα, είναι αρκετά δύσκολη η αξιόπιστη και έγκυρη διάγνωσή τους. Συνήθως μια βιοψία είναι απαραίτητη για τη διάγνωση. Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάπτυξη και στην εφαρμογή μεθόδων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων κυτταρολογικής βιοψίας δερματικών ασθενειών. Συγκεκριμένα, χρησιμοποιήθηκαν δεδομένα κυτταρολογικής βιοψίας από 113 περιπτώσεις από δύο διαφορετικές δερματικές παθήσεις. Η πρώτη κατηγορία είναι η seboreicdermatitis με 61 περιπτώσεις και η δεύτερη κατηγορία είναι η chronicdermatitis με 52 περιπτώσεις. Για κάθε περίπτωση, είναι διαθέσιμα 33 χαρακτηριστικά (π.χ. erythema, scaling, itching, melanin incontinence, acanthosis).Πραγματοποιήθηκε επιλογή χαρακτηριστικών των προτύπων, με χρήση μεθόδων όπως εξαντλητική αναζήτηση και η διαχωριστική ικανότητα των χαρακτηριστικών δοκιμάστηκε με διάφορους ταξινομητές (π.χ. MDC, k-NN, SVM, PNN) και με μεθόδους αξιολόγησης όπως η Leave One Out (LOO). Τέλος, οι αναπτυχθείσες μεθοδολογίες συγκρίθηκαν μεταξύ τους ώστε να βρεθεί ο συνδυασμός μεθόδου επιλογής χαρακτηριστικών και μεθόδου κατηγοριοποίησης που παρέχει τα αποτελέσματα με τη μεγαλύτερη δυνατή ακρίβεια.","abstract_has_math":false,"creators":["Γιάννου Μελετία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:25:16Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318108"],"render_values":[{"text":"uoadl:1318108","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318108","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318108","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%3A1318108","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γιάννου Μελετία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"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:1318108","https://pergamos.lib.uoa.gr/uoa/dl/object/1318108"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι δερματοπάθειες είναι αρκετά συνηθισμένες, εμφανίζουν μεγάλο βαθμό περιπλοκότητας και επηρεάζουν σημαντικά την ποιότητα ζωής των ασθενών. Καθώς αρκετά συχνά διαφορετικές δερματικές ασθένειες- παθήσεις παρουσιάζουν παρόμοια συμπτώματα, είναι αρκετά δύσκολη η αξιόπιστη και έγκυρη διάγνωσή τους. Συνήθως μια βιοψία είναι απαραίτητη για τη διάγνωση. Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάπτυξη και στην εφαρμογή μεθόδων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων κυτταρολογικής βιοψίας δερματικών ασθενειών. Συγκεκριμένα, χρησιμοποιήθηκαν δεδομένα κυτταρολογικής βιοψίας από 113 περιπτώσεις από δύο διαφορετικές δερματικές παθήσεις. Η πρώτη κατηγορία είναι η seboreicdermatitis με 61 περιπτώσεις και η δεύτερη κατηγορία είναι η chronicdermatitis με 52 περιπτώσεις. Για κάθε περίπτωση, είναι διαθέσιμα 33 χαρακτηριστικά (π.χ. erythema, scaling, itching, melanin incontinence, acanthosis).Πραγματοποιήθηκε επιλογή χαρακτηριστικών των προτύπων, με χρήση μεθόδων όπως εξαντλητική αναζήτηση και η διαχωριστική ικανότητα των χαρακτηριστικών δοκιμάστηκε με διάφορους ταξινομητές (π.χ. MDC, k-NN, SVM, PNN) και με μεθόδους αξιολόγησης όπως η Leave One Out (LOO). Τέλος, οι αναπτυχθείσες μεθοδολογίες συγκρίθηκαν μεταξύ τους ώστε να βρεθεί ο συνδυασμός μεθόδου επιλογής χαρακτηριστικών και μεθόδου κατηγοριοποίησης που παρέχει τα αποτελέσματα με τη μεγαλύτερη δυνατή ακρίβεια.","Dermatoses are quite common, exhibit large degree of complexity and affect the patients` life. As quite often different skin diseases have similar symptoms, a reliable and valid diagnosis is difficult enough. Usually a biopsy is necessary for a diagnosis. This thesis focuses on the development and application of pattern recognition methods forskin diseases cytology biopsydata classification. Specifically, cytological biopsy of 113 cases of two different skin disease data was used. The first category is seboreic dermatitis in 61 cases, and the second group is chronic dermatitis with 52 cases. For each case, 33 features are available (e.g. erythema, scaling, itching, melanin incontinence, acanthosis). Standards featureselection was performed, using techniques such as exhaustive search and the resolution of the characteristics was tested by using different classifiers (e.g. MDC, k-NN, SVM, PNN) and assessment methods such as Leave One Out (LOO). Finally, the developed methods were compared, so that we find the combination of feature selection and classification methodsthat provide results with utmost accuracy."]},{"key":"dc:title","label":"Title","values":["Κατηγοριοποίηση Δεδομένων Κυτταρολογικής Βιοψίας Δερματικών Παθήσεων"]}]}],"canonical_facts":{"dc:creator":["Γιάννου Μελετία"],"dc:date":["2014"],"dc:description":["Οι δερματοπάθειες είναι αρκετά συνηθισμένες, εμφανίζουν μεγάλο βαθμό περιπλοκότητας και επηρεάζουν σημαντικά την ποιότητα ζωής των ασθενών. Καθώς αρκετά συχνά διαφορετικές δερματικές ασθένειες- παθήσεις παρουσιάζουν παρόμοια συμπτώματα, είναι αρκετά δύσκολη η αξιόπιστη και έγκυρη διάγνωσή τους. Συνήθως μια βιοψία είναι απαραίτητη για τη διάγνωση. Η συγκεκριμένη διπλωματική εργασία εστιάζει στην ανάπτυξη και στην εφαρμογή μεθόδων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων κυτταρολογικής βιοψίας δερματικών ασθενειών. Συγκεκριμένα, χρησιμοποιήθηκαν δεδομένα κυτταρολογικής βιοψίας από 113 περιπτώσεις από δύο διαφορετικές δερματικές παθήσεις. Η πρώτη κατηγορία είναι η seboreicdermatitis με 61 περιπτώσεις και η δεύτερη κατηγορία είναι η chronicdermatitis με 52 περιπτώσεις. Για κάθε περίπτωση, είναι διαθέσιμα 33 χαρακτηριστικά (π.χ. erythema, scaling, itching, melanin incontinence, acanthosis).Πραγματοποιήθηκε επιλογή χαρακτηριστικών των προτύπων, με χρήση μεθόδων όπως εξαντλητική αναζήτηση και η διαχωριστική ικανότητα των χαρακτηριστικών δοκιμάστηκε με διάφορους ταξινομητές (π.χ. MDC, k-NN, SVM, PNN) και με μεθόδους αξιολόγησης όπως η Leave One Out (LOO). Τέλος, οι αναπτυχθείσες μεθοδολογίες συγκρίθηκαν μεταξύ τους ώστε να βρεθεί ο συνδυασμός μεθόδου επιλογής χαρακτηριστικών και μεθόδου κατηγοριοποίησης που παρέχει τα αποτελέσματα με τη μεγαλύτερη δυνατή ακρίβεια.","Dermatoses are quite common, exhibit large degree of complexity and affect the patients` life. As quite often different skin diseases have similar symptoms, a reliable and valid diagnosis is difficult enough. Usually a biopsy is necessary for a diagnosis. This thesis focuses on the development and application of pattern recognition methods forskin diseases cytology biopsydata classification. Specifically, cytological biopsy of 113 cases of two different skin disease data was used. The first category is seboreic dermatitis in 61 cases, and the second group is chronic dermatitis with 52 cases. For each case, 33 features are available (e.g. erythema, scaling, itching, melanin incontinence, acanthosis). Standards featureselection was performed, using techniques such as exhaustive search and the resolution of the characteristics was tested by using different classifiers (e.g. MDC, k-NN, SVM, PNN) and assessment methods such as Leave One Out (LOO). Finally, the developed methods were compared, so that we find the combination of feature selection and classification methodsthat provide results with utmost accuracy."],"dc:identifier":["uoadl:1318108","https://pergamos.lib.uoa.gr/uoa/dl/object/1318108"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Κατηγοριοποίηση Δεδομένων Κυτταρολογικής Βιοψίας Δερματικών Παθήσεων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:16Z"}