{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1319277"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1319277","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ολοκληρωμένο σύστημα ταξινόμησης εικόνων μαστογραφίας","abstract":"Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τη διάκριση εικόνων μαστογραφίας σε εικόνες: φυσιολογικές, με καλοήθη μορφώματα και με κακοήθη μορφώματα. Για τον σχεδιασμό και την υλοποίηση του συστήματος χρησιμοποιήθηκαν 299 ROIs από τη βάση δεδομένων Mini-MIAS (207 αποτελούνται από φυσιολογικό ιστό, 53 περιλαμβάνουν καλοήθη μορφώματα και 39 περιλαμβάνουν κακοήθη μορφώματα). Υλοποιήθηκαν τα ακόλουθα τέσσερα βασικά στάδια: προ-επεξεργασία, εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών και ταξινόμηση. Κατά το στάδιο της προ-επεξεργασίας έγινε αύξηση της αντίθεσης της εικόνας και αποκοπή του ROI. Έπειτα ακολούθησε η εξαγωγή 145 χαρακτηριστικών από κάθε ROI (χαρακτηριστικά υφής 1ης και 2ης τάξης, καθώς και χαρακτηριστικά υφής 1ης τάξης από μετασχηματισμό με μάσκες Laws και φίλτρα Gabor). Τα χαρακτηριστικά αυτά αποτέλεσαν είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε ώστε να κατηγοριοποιεί σε φυσιολογική, καλοήθη ή κακοήθη τη μαστογραφική περιοχή ενδιαφέροντος. Υλοποιήθηκαν οι ταξινομητές: k–NN, PNN με Gaussian, Exponential και Reciprocal πυρήνα, Naive Bayes και SVM με γραμμικό και Gaussian ακτινικής βάσης πυρήνα. Για κάθε ταξινομητή, βρέθηκε ο βέλτιστος συνδυασμός 10 χαρακτηριστικών με χρήση της μεθόδου SFFS. Το προτεινόμενο σύστημα αξιολογήθηκε με τη μέθοδο 10-Fold της μεθόδου ICV. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με τη μέθοδο ECV.","abstract_html":"Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τη διάκριση εικόνων μαστογραφίας σε εικόνες: φυσιολογικές, με καλοήθη μορφώματα και με κακοήθη μορφώματα. Για τον σχεδιασμό και την υλοποίηση του συστήματος χρησιμοποιήθηκαν 299 ROIs από τη βάση δεδομένων Mini-MIAS (207 αποτελούνται από φυσιολογικό ιστό, 53 περιλαμβάνουν καλοήθη μορφώματα και 39 περιλαμβάνουν κακοήθη μορφώματα). Υλοποιήθηκαν τα ακόλουθα τέσσερα βασικά στάδια: προ-επεξεργασία, εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών και ταξινόμηση. Κατά το στάδιο της προ-επεξεργασίας έγινε αύξηση της αντίθεσης της εικόνας και αποκοπή του ROI. Έπειτα ακολούθησε η εξαγωγή 145 χαρακτηριστικών από κάθε ROI (χαρακτηριστικά υφής 1ης και 2ης τάξης, καθώς και χαρακτηριστικά υφής 1ης τάξης από μετασχηματισμό με μάσκες Laws και φίλτρα Gabor). Τα χαρακτηριστικά αυτά αποτέλεσαν είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε ώστε να κατηγοριοποιεί σε φυσιολογική, καλοήθη ή κακοήθη τη μαστογραφική περιοχή ενδιαφέροντος. Υλοποιήθηκαν οι ταξινομητές: k–NN, PNN με Gaussian, Exponential και Reciprocal πυρήνα, Naive Bayes και SVM με γραμμικό και Gaussian ακτινικής βάσης πυρήνα. Για κάθε ταξινομητή, βρέθηκε ο βέλτιστος συνδυασμός 10 χαρακτηριστικών με χρήση της μεθόδου SFFS. Το προτεινόμενο σύστημα αξιολογήθηκε με τη μέθοδο 10-Fold της μεθόδου ICV. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με τη μέθοδο ECV.","abstract_has_math":false,"creators":["Πηλιχού Σταματίνα"],"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":"2026-11-19T05:25:45Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1319277"],"render_values":[{"text":"uoadl:1319277","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319277","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319277","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%3A1319277","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πηλιχού Σταματίνα"]}]},{"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:1319277","https://pergamos.lib.uoa.gr/uoa/dl/object/1319277"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τη διάκριση εικόνων μαστογραφίας σε εικόνες: φυσιολογικές, με καλοήθη μορφώματα και με κακοήθη μορφώματα. Για τον σχεδιασμό και την υλοποίηση του συστήματος χρησιμοποιήθηκαν 299 ROIs από τη βάση δεδομένων Mini-MIAS (207 αποτελούνται από φυσιολογικό ιστό, 53 περιλαμβάνουν καλοήθη μορφώματα και 39 περιλαμβάνουν κακοήθη μορφώματα). Υλοποιήθηκαν τα ακόλουθα τέσσερα βασικά στάδια: προ-επεξεργασία, εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών και ταξινόμηση. Κατά το στάδιο της προ-επεξεργασίας έγινε αύξηση της αντίθεσης της εικόνας και αποκοπή του ROI. Έπειτα ακολούθησε η εξαγωγή 145 χαρακτηριστικών από κάθε ROI (χαρακτηριστικά υφής 1ης και 2ης τάξης, καθώς και χαρακτηριστικά υφής 1ης τάξης από μετασχηματισμό με μάσκες Laws και φίλτρα Gabor). Τα χαρακτηριστικά αυτά αποτέλεσαν είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε ώστε να κατηγοριοποιεί σε φυσιολογική, καλοήθη ή κακοήθη τη μαστογραφική περιοχή ενδιαφέροντος. Υλοποιήθηκαν οι ταξινομητές: k–NN, PNN με Gaussian, Exponential και Reciprocal πυρήνα, Naive Bayes και SVM με γραμμικό και Gaussian ακτινικής βάσης πυρήνα. Για κάθε ταξινομητή, βρέθηκε ο βέλτιστος συνδυασμός 10 χαρακτηριστικών με χρήση της μεθόδου SFFS. Το προτεινόμενο σύστημα αξιολογήθηκε με τη μέθοδο 10-Fold της μεθόδου ICV. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με τη μέθοδο ECV.","The aim of this thesis is the development of a CAD system for the discrimination between normal, benign and malignant mammographic images using image analysis and pattern recognition algorithms. For the design and implementation of the proposed system 299 ROIs from the database Mini-MIAS were used (207 were normal, 53 were benign and 39 were malignant masses). Four basic steps of image processing and analysis were implemented: pre-processing, feature extraction, feature selection and classification. At the pre-processing step, the contrast of the image was enhanced and the ROI was cropped out. The next step involved feature extraction, during which 145 features were extracted from each ROI (1st and 2nd order textural features and Laws masks and Gabor filter transform features). These features were used as input into a pattern recognition system that was designed to predict ROI’s category (normal, benign or malignant). The implemented classifiers were: k-NN, PNN, with Gaussian, Exponential and Reciprocal kernel, Naive Bayes and SVM with linear and Gaussian rbf kernel. For each classifier, the optimum 10 feature combination was found, using the method SFFS. The proposed system was evaluated by the 10-Fold CV method. The system’s performance in ‘unknown’ data was evaluated using the ECV method."]},{"key":"dc:title","label":"Title","values":["Ολοκληρωμένο σύστημα ταξινόμησης εικόνων μαστογραφίας"]}]}],"canonical_facts":{"dc:creator":["Πηλιχού Σταματίνα"],"dc:date":["2014"],"dc:description":["Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τη διάκριση εικόνων μαστογραφίας σε εικόνες: φυσιολογικές, με καλοήθη μορφώματα και με κακοήθη μορφώματα. Για τον σχεδιασμό και την υλοποίηση του συστήματος χρησιμοποιήθηκαν 299 ROIs από τη βάση δεδομένων Mini-MIAS (207 αποτελούνται από φυσιολογικό ιστό, 53 περιλαμβάνουν καλοήθη μορφώματα και 39 περιλαμβάνουν κακοήθη μορφώματα). Υλοποιήθηκαν τα ακόλουθα τέσσερα βασικά στάδια: προ-επεξεργασία, εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών και ταξινόμηση. Κατά το στάδιο της προ-επεξεργασίας έγινε αύξηση της αντίθεσης της εικόνας και αποκοπή του ROI. Έπειτα ακολούθησε η εξαγωγή 145 χαρακτηριστικών από κάθε ROI (χαρακτηριστικά υφής 1ης και 2ης τάξης, καθώς και χαρακτηριστικά υφής 1ης τάξης από μετασχηματισμό με μάσκες Laws και φίλτρα Gabor). Τα χαρακτηριστικά αυτά αποτέλεσαν είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε ώστε να κατηγοριοποιεί σε φυσιολογική, καλοήθη ή κακοήθη τη μαστογραφική περιοχή ενδιαφέροντος. Υλοποιήθηκαν οι ταξινομητές: k–NN, PNN με Gaussian, Exponential και Reciprocal πυρήνα, Naive Bayes και SVM με γραμμικό και Gaussian ακτινικής βάσης πυρήνα. Για κάθε ταξινομητή, βρέθηκε ο βέλτιστος συνδυασμός 10 χαρακτηριστικών με χρήση της μεθόδου SFFS. Το προτεινόμενο σύστημα αξιολογήθηκε με τη μέθοδο 10-Fold της μεθόδου ICV. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με τη μέθοδο ECV.","The aim of this thesis is the development of a CAD system for the discrimination between normal, benign and malignant mammographic images using image analysis and pattern recognition algorithms. For the design and implementation of the proposed system 299 ROIs from the database Mini-MIAS were used (207 were normal, 53 were benign and 39 were malignant masses). Four basic steps of image processing and analysis were implemented: pre-processing, feature extraction, feature selection and classification. At the pre-processing step, the contrast of the image was enhanced and the ROI was cropped out. The next step involved feature extraction, during which 145 features were extracted from each ROI (1st and 2nd order textural features and Laws masks and Gabor filter transform features). These features were used as input into a pattern recognition system that was designed to predict ROI’s category (normal, benign or malignant). The implemented classifiers were: k-NN, PNN, with Gaussian, Exponential and Reciprocal kernel, Naive Bayes and SVM with linear and Gaussian rbf kernel. For each classifier, the optimum 10 feature combination was found, using the method SFFS. The proposed system was evaluated by the 10-Fold CV method. The system’s performance in ‘unknown’ data was evaluated using the ECV method."],"dc:identifier":["uoadl:1319277","https://pergamos.lib.uoa.gr/uoa/dl/object/1319277"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Ολοκληρωμένο σύστημα ταξινόμησης εικόνων μαστογραφίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:45Z"}