{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318268"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318268","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μεθοδολογία για την ανακατασκευή εικόνας σε τομογράφο PET βασιζόμενη στον αλγόριθμο MLEM","abstract":"Η παρούσα εργασία επικεντρώνεται στην μελέτη της σύγκλισης του επαναληπτικού αλγορίθμου MLEM (Maximum Likelihood Expectation Maximization). Κάνοντας χρήση του ψηφιακού ομοιώματος εγκεφάλου Hoffman, και τεχνικών Monte Carlo, δημιουργούμε τομογραφικές προβολές. Χρησιμοποιώντας αυτές τις προβολές, ο MLEM αλγόριθμος ανακατασκευάζει την εκάστοτε τομή του ομοιώματος και το συγκρίνει με την αρχική εικόνα. Παρατηρείται ότι οι εικόνες που παράγει ο συγκεκριμένος αλγόριθμος βελτιώνονται καθώς αυξάνει ο αριθμός επαναλήψεων καταλήγοντας σε μία βέλτιστη εικόνα και στην συνέχεια υπόκεινται αλλοίωση λόγω θορύβου. Αντικείμενο της παρούσας έρευνας είναι να καθοριστεί ο ελάχιστος αριθμός επαναλήψεων για τη λήψη της βέλτιστης εικόνας. Σε πρόσφατες έρευνες έχει χρησιμοποιηθεί το μέγεθος NRMSD (Normalized Root Mean Square Deviation) σαν μέγεθος αξιολόγησης της ανακατασκευασμένης εικόνας αφού συγκρίνει τα δεδομένα των δύο εικόνων, αρχικής και ανακατασκευασμένης. Πάνω σε αυτό το μέγεθος στηρίχθηκε η ανάπτυξη νέων κριτηρίων παύσης του αλγορίθμου, στην παρούσα εργασία, εστιάζοντας στην εξοικονόμηση χρόνου σε σχέση με προηγούμενες τεχνικές. Στα πλαίσια της εργασίας αυτής, αναζητήθηκαν νέα κριτήρια παύσης στηριζόμενα στην σχετική μεταβολή του παραπάνω μεγέθους, στο οποίο τέθηκε ένα κατώφλι πέρα από το οποίο ο αλγόριθμος τερματίζεται. Η κατάλληλη επιλογή κατωφλίου εξασφαλίζει σε ποιότητα την βέλτιστη ανακατασκευασμένη εικόνα. Στην παρούσα έρευνα παρουσιάζονται αποτελέσματα της μελέτης που αφορούν στην επιτάχυνση του αλγορίθμου.","abstract_html":"Η παρούσα εργασία επικεντρώνεται στην μελέτη της σύγκλισης του επαναληπτικού αλγορίθμου MLEM (Maximum Likelihood Expectation Maximization). Κάνοντας χρήση του ψηφιακού ομοιώματος εγκεφάλου Hoffman, και τεχνικών Monte Carlo, δημιουργούμε τομογραφικές προβολές. Χρησιμοποιώντας αυτές τις προβολές, ο MLEM αλγόριθμος ανακατασκευάζει την εκάστοτε τομή του ομοιώματος και το συγκρίνει με την αρχική εικόνα. Παρατηρείται ότι οι εικόνες που παράγει ο συγκεκριμένος αλγόριθμος βελτιώνονται καθώς αυξάνει ο αριθμός επαναλήψεων καταλήγοντας σε μία βέλτιστη εικόνα και στην συνέχεια υπόκεινται αλλοίωση λόγω θορύβου. Αντικείμενο της παρούσας έρευνας είναι να καθοριστεί ο ελάχιστος αριθμός επαναλήψεων για τη λήψη της βέλτιστης εικόνας. Σε πρόσφατες έρευνες έχει χρησιμοποιηθεί το μέγεθος NRMSD (Normalized Root Mean Square Deviation) σαν μέγεθος αξιολόγησης της ανακατασκευασμένης εικόνας αφού συγκρίνει τα δεδομένα των δύο εικόνων, αρχικής και ανακατασκευασμένης. Πάνω σε αυτό το μέγεθος στηρίχθηκε η ανάπτυξη νέων κριτηρίων παύσης του αλγορίθμου, στην παρούσα εργασία, εστιάζοντας στην εξοικονόμηση χρόνου σε σχέση με προηγούμενες τεχνικές. Στα πλαίσια της εργασίας αυτής, αναζητήθηκαν νέα κριτήρια παύσης στηριζόμενα στην σχετική μεταβολή του παραπάνω μεγέθους, στο οποίο τέθηκε ένα κατώφλι πέρα από το οποίο ο αλγόριθμος τερματίζεται. Η κατάλληλη επιλογή κατωφλίου εξασφαλίζει σε ποιότητα την βέλτιστη ανακατασκευασμένη εικόνα. Στην παρούσα έρευνα παρουσιάζονται αποτελέσματα της μελέτης που αφορούν στην επιτάχυνση του αλγορίθμου.","abstract_has_math":false,"creators":["Γάτης Χρήστος"],"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":"2026-11-19T05:25:20Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318268"],"render_values":[{"text":"uoadl:1318268","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318268","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318268","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%3A1318268","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γάτης Χρήστος"]}]},{"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:1318268","https://pergamos.lib.uoa.gr/uoa/dl/object/1318268"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία επικεντρώνεται στην μελέτη της σύγκλισης του επαναληπτικού αλγορίθμου MLEM (Maximum Likelihood Expectation Maximization). Κάνοντας χρήση του ψηφιακού ομοιώματος εγκεφάλου Hoffman, και τεχνικών Monte Carlo, δημιουργούμε τομογραφικές προβολές. Χρησιμοποιώντας αυτές τις προβολές, ο MLEM αλγόριθμος ανακατασκευάζει την εκάστοτε τομή του ομοιώματος και το συγκρίνει με την αρχική εικόνα. Παρατηρείται ότι οι εικόνες που παράγει ο συγκεκριμένος αλγόριθμος βελτιώνονται καθώς αυξάνει ο αριθμός επαναλήψεων καταλήγοντας σε μία βέλτιστη εικόνα και στην συνέχεια υπόκεινται αλλοίωση λόγω θορύβου. Αντικείμενο της παρούσας έρευνας είναι να καθοριστεί ο ελάχιστος αριθμός επαναλήψεων για τη λήψη της βέλτιστης εικόνας. Σε πρόσφατες έρευνες έχει χρησιμοποιηθεί το μέγεθος NRMSD (Normalized Root Mean Square Deviation) σαν μέγεθος αξιολόγησης της ανακατασκευασμένης εικόνας αφού συγκρίνει τα δεδομένα των δύο εικόνων, αρχικής και ανακατασκευασμένης. Πάνω σε αυτό το μέγεθος στηρίχθηκε η ανάπτυξη νέων κριτηρίων παύσης του αλγορίθμου, στην παρούσα εργασία, εστιάζοντας στην εξοικονόμηση χρόνου σε σχέση με προηγούμενες τεχνικές. Στα πλαίσια της εργασίας αυτής, αναζητήθηκαν νέα κριτήρια παύσης στηριζόμενα στην σχετική μεταβολή του παραπάνω μεγέθους, στο οποίο τέθηκε ένα κατώφλι πέρα από το οποίο ο αλγόριθμος τερματίζεται. Η κατάλληλη επιλογή κατωφλίου εξασφαλίζει σε ποιότητα την βέλτιστη ανακατασκευασμένη εικόνα. Στην παρούσα έρευνα παρουσιάζονται αποτελέσματα της μελέτης που αφορούν στην επιτάχυνση του αλγορίθμου.","The present thesis is concentrated on the study of the convergence of the MLEM (Maximum Likelihood Expectation Maximization) iterative algorithm . Using the digital Hoffman brain phantom and Monte Carlo techniques, tomographic projections are created. These projections are used from the MLEM algorithm which reconstructs each slice of the phantom comparing it with the initial picture. It is observed that the reconstructed images that are produced are improved as long as the number of iteration increases reaching the best quality reconstructed image which is altered after that iteration. Recent researches have used the quantity NRMSD (Normalised Root Mean Square Deviation) as quality index of the reconstructed image because it compares the data of the two images, initial and reconstructed. According to this quantity new stopping rules have been developed for the algorithm, focusing on sparing time in comparison with previous methods. The present thesis presents new stopping rules using the relative derivative of NRMSD which had a threshold. The algorithm stops after that threshold. The right choice of threshold ensures the quality of the best reconstructed image The results of this study concerning the algorithm’s acceleration are presented at this thesis."]},{"key":"dc:title","label":"Title","values":["Μεθοδολογία για την ανακατασκευή εικόνας σε τομογράφο PET βασιζόμενη στον αλγόριθμο MLEM"]}]}],"canonical_facts":{"dc:creator":["Γάτης Χρήστος"],"dc:date":["2012"],"dc:description":["Η παρούσα εργασία επικεντρώνεται στην μελέτη της σύγκλισης του επαναληπτικού αλγορίθμου MLEM (Maximum Likelihood Expectation Maximization). Κάνοντας χρήση του ψηφιακού ομοιώματος εγκεφάλου Hoffman, και τεχνικών Monte Carlo, δημιουργούμε τομογραφικές προβολές. Χρησιμοποιώντας αυτές τις προβολές, ο MLEM αλγόριθμος ανακατασκευάζει την εκάστοτε τομή του ομοιώματος και το συγκρίνει με την αρχική εικόνα. Παρατηρείται ότι οι εικόνες που παράγει ο συγκεκριμένος αλγόριθμος βελτιώνονται καθώς αυξάνει ο αριθμός επαναλήψεων καταλήγοντας σε μία βέλτιστη εικόνα και στην συνέχεια υπόκεινται αλλοίωση λόγω θορύβου. Αντικείμενο της παρούσας έρευνας είναι να καθοριστεί ο ελάχιστος αριθμός επαναλήψεων για τη λήψη της βέλτιστης εικόνας. Σε πρόσφατες έρευνες έχει χρησιμοποιηθεί το μέγεθος NRMSD (Normalized Root Mean Square Deviation) σαν μέγεθος αξιολόγησης της ανακατασκευασμένης εικόνας αφού συγκρίνει τα δεδομένα των δύο εικόνων, αρχικής και ανακατασκευασμένης. Πάνω σε αυτό το μέγεθος στηρίχθηκε η ανάπτυξη νέων κριτηρίων παύσης του αλγορίθμου, στην παρούσα εργασία, εστιάζοντας στην εξοικονόμηση χρόνου σε σχέση με προηγούμενες τεχνικές. Στα πλαίσια της εργασίας αυτής, αναζητήθηκαν νέα κριτήρια παύσης στηριζόμενα στην σχετική μεταβολή του παραπάνω μεγέθους, στο οποίο τέθηκε ένα κατώφλι πέρα από το οποίο ο αλγόριθμος τερματίζεται. Η κατάλληλη επιλογή κατωφλίου εξασφαλίζει σε ποιότητα την βέλτιστη ανακατασκευασμένη εικόνα. Στην παρούσα έρευνα παρουσιάζονται αποτελέσματα της μελέτης που αφορούν στην επιτάχυνση του αλγορίθμου.","The present thesis is concentrated on the study of the convergence of the MLEM (Maximum Likelihood Expectation Maximization) iterative algorithm . Using the digital Hoffman brain phantom and Monte Carlo techniques, tomographic projections are created. These projections are used from the MLEM algorithm which reconstructs each slice of the phantom comparing it with the initial picture. It is observed that the reconstructed images that are produced are improved as long as the number of iteration increases reaching the best quality reconstructed image which is altered after that iteration. Recent researches have used the quantity NRMSD (Normalised Root Mean Square Deviation) as quality index of the reconstructed image because it compares the data of the two images, initial and reconstructed. According to this quantity new stopping rules have been developed for the algorithm, focusing on sparing time in comparison with previous methods. The present thesis presents new stopping rules using the relative derivative of NRMSD which had a threshold. The algorithm stops after that threshold. The right choice of threshold ensures the quality of the best reconstructed image The results of this study concerning the algorithm’s acceleration are presented at this thesis."],"dc:identifier":["uoadl:1318268","https://pergamos.lib.uoa.gr/uoa/dl/object/1318268"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μεθοδολογία για την ανακατασκευή εικόνας σε τομογράφο PET βασιζόμενη στον αλγόριθμο MLEM"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:20Z"}