{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320181"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320181","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σύστημα αυτόματης διάγνωσης προ-καρκινικών αλλοιώσεων λόγω HPV-λοίμωξης τραχήλου μήτρας από ιστοπαθολογικές εικόνες","abstract":"Στα πλαίσια της μεταπτυχιακής εργασίας αναπτύχθηκε ένα σύστημα αυτόματης διάγνωσης για να ταξινομηθούν οι προ-καρκινικές αλλοιώσεις του τραχήλου της μήτρας σε χαμηλού (CIN I) και υψηλού βαθμού επικινδυνότητας (CIN II, CIN III) με την επεξεργασία ιστολογικών εικόνων, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση. Χρησιμοποιήθηκαν 35 δείγματα ασθενών (βιοψίες), που διαγνώστηκαν με ενδο-επιθηλιακές αλλοιώσεις. Από τα συνολικά 35 δείγματα , τα 12 διαγνώστηκαν ως χαμηλού βαθμού επικινδυνότητα (CIN 1), ενώ τα υπόλοιπα 23 ως υψηλού βαθμού επικινδυνότητα (CIN 2 και CIN 3), σύμφωνα με τη γνωμάτευση έμπειρου ιστοπαθολόγου. Αφού πραγματοποιήθηκε η προετοιμασία των δεδομένων και η ψηφιοποίηση τους, απομονώθηκαν οι πυρήνες στην κάθε εικόνα από τους οποίους έγινε εξαγωγή 17 χαρακτηριστικών, 5 μορφολογικών και 12 χαρακτηριστικών υφής. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε για να προβλέψει τον τύπο ενδοεπιθηλιακής αλλοίωσης. Δοκιμάστηκαν οι ταξινομητές : «k-Nearest Neighbors (k-NN)», «Probabilistic Neural Network (PNN)», «Minimum Distance Classifier (MDC)», «Least Squares Minimum Distance Classifier (LSMDC)», «Support Vector Machines (SVM)» και «Single Perceptron» για την ταξινόμηση των εικόνων σε 2 κατηγορίες (χαμηλού και υψηλού βαθμού επικινδυνότητα) καθώς και οι μέθοδοι επιλογής χαρακτηριστικών, Sequential Backward Selection και Exhaustive Search. To σύστημα αξιολογήθηκε με τη μέθοδο αξιολόγησης Leave-One-Out (LOO), ενώ η γενίκευση του συστήματος σε άγνωστα δεδομένα αξιολογήθηκε με τη μέθοδο External Cross Validation (ECV).","abstract_html":"Στα πλαίσια της μεταπτυχιακής εργασίας αναπτύχθηκε ένα σύστημα αυτόματης διάγνωσης για να ταξινομηθούν οι προ-καρκινικές αλλοιώσεις του τραχήλου της μήτρας σε χαμηλού (CIN I) και υψηλού βαθμού επικινδυνότητας (CIN II, CIN III) με την επεξεργασία ιστολογικών εικόνων, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση. Χρησιμοποιήθηκαν 35 δείγματα ασθενών (βιοψίες), που διαγνώστηκαν με ενδο-επιθηλιακές αλλοιώσεις. Από τα συνολικά 35 δείγματα , τα 12 διαγνώστηκαν ως χαμηλού βαθμού επικινδυνότητα (CIN 1), ενώ τα υπόλοιπα 23 ως υψηλού βαθμού επικινδυνότητα (CIN 2 και CIN 3), σύμφωνα με τη γνωμάτευση έμπειρου ιστοπαθολόγου. Αφού πραγματοποιήθηκε η προετοιμασία των δεδομένων και η ψηφιοποίηση τους, απομονώθηκαν οι πυρήνες στην κάθε εικόνα από τους οποίους έγινε εξαγωγή 17 χαρακτηριστικών, 5 μορφολογικών και 12 χαρακτηριστικών υφής. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε για να προβλέψει τον τύπο ενδοεπιθηλιακής αλλοίωσης. Δοκιμάστηκαν οι ταξινομητές : «k-Nearest Neighbors (k-NN)», «Probabilistic Neural Network (PNN)», «Minimum Distance Classifier (MDC)», «Least Squares Minimum Distance Classifier (LSMDC)», «Support Vector Machines (SVM)» και «Single Perceptron» για την ταξινόμηση των εικόνων σε 2 κατηγορίες (χαμηλού και υψηλού βαθμού επικινδυνότητα) καθώς και οι μέθοδοι επιλογής χαρακτηριστικών, Sequential Backward Selection και Exhaustive Search. To σύστημα αξιολογήθηκε με τη μέθοδο αξιολόγησης Leave-One-Out (LOO), ενώ η γενίκευση του συστήματος σε άγνωστα δεδομένα αξιολογήθηκε με τη μέθοδο External Cross Validation (ECV).","abstract_has_math":false,"creators":["Ρώτα Αικατερίνη"],"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":"2026-11-19T05:26:15Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320181"],"render_values":[{"text":"uoadl:1320181","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320181","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320181","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%3A1320181","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ρώτα Αικατερίνη"]}]},{"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:1320181","https://pergamos.lib.uoa.gr/uoa/dl/object/1320181"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στα πλαίσια της μεταπτυχιακής εργασίας αναπτύχθηκε ένα σύστημα αυτόματης διάγνωσης για να ταξινομηθούν οι προ-καρκινικές αλλοιώσεις του τραχήλου της μήτρας σε χαμηλού (CIN I) και υψηλού βαθμού επικινδυνότητας (CIN II, CIN III) με την επεξεργασία ιστολογικών εικόνων, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση. Χρησιμοποιήθηκαν 35 δείγματα ασθενών (βιοψίες), που διαγνώστηκαν με ενδο-επιθηλιακές αλλοιώσεις. Από τα συνολικά 35 δείγματα , τα 12 διαγνώστηκαν ως χαμηλού βαθμού επικινδυνότητα (CIN 1), ενώ τα υπόλοιπα 23 ως υψηλού βαθμού επικινδυνότητα (CIN 2 και CIN 3), σύμφωνα με τη γνωμάτευση έμπειρου ιστοπαθολόγου. Αφού πραγματοποιήθηκε η προετοιμασία των δεδομένων και η ψηφιοποίηση τους, απομονώθηκαν οι πυρήνες στην κάθε εικόνα από τους οποίους έγινε εξαγωγή 17 χαρακτηριστικών, 5 μορφολογικών και 12 χαρακτηριστικών υφής. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε για να προβλέψει τον τύπο ενδοεπιθηλιακής αλλοίωσης. Δοκιμάστηκαν οι ταξινομητές : «k-Nearest Neighbors (k-NN)», «Probabilistic Neural Network (PNN)», «Minimum Distance Classifier (MDC)», «Least Squares Minimum Distance Classifier (LSMDC)», «Support Vector Machines (SVM)» και «Single Perceptron» για την ταξινόμηση των εικόνων σε 2 κατηγορίες (χαμηλού και υψηλού βαθμού επικινδυνότητα) καθώς και οι μέθοδοι επιλογής χαρακτηριστικών, Sequential Backward Selection και Exhaustive Search. To σύστημα αξιολογήθηκε με τη μέθοδο αξιολόγησης Leave-One-Out (LOO), ενώ η γενίκευση του συστήματος σε άγνωστα δεδομένα αξιολογήθηκε με τη μέθοδο External Cross Validation (ECV)."," The purpose of this thesis is the design of a pattern recognition system, which will be able to classify pre-cancerous lesions of the cervix in low (CIN 1) and high risk (CIN II, CIN III) by processing histopathological images, so that the treatment of patients can be optimized. Biopsies of 35 patients were used, which were diagnosed with intra-epithelial lesions. Of the total samples, 12 were diagnosed as low-grade risk (CIN 1), while the remaining 23 were diagnosed as high-grade risk (CIN 2 and CIN 3) in accordance with the diagnosis of an experienced histopathologist. After the preparation of the samples and their digitization, the segmentation of the nuclei is the next step. Then, 17 features were extracted from the segmented nuclei, from which 5 were morphological and 12 textural features. These features acted as input in a pattern recognition system that was designed to diagnose the type of the intraepithelial lesion. This system was constructed by the classifiers: «k- Nearest Neighbors (k-NN)», «Probabilistic Neural Network (PNN)», «Minimum Distance Classifier (MDC)», «Least Squares Minimum Distance Classifier (LSMDC)», «Support Vector Machines (SVM)» και «Single Perceptron». This system was used for classifying the nuclei into the two categories (low or high risk). For each classifier, the optimal feature combination was found applying the Sequential Backward Selection and the Exhaustive Search feature selection methods. The system evaluation in “new” data was performed by means of the External Cross Validation (ECV) method."]},{"key":"dc:title","label":"Title","values":["Σύστημα αυτόματης διάγνωσης προ-καρκινικών αλλοιώσεων λόγω HPV-λοίμωξης τραχήλου μήτρας από ιστοπαθολογικές εικόνες"]}]}],"canonical_facts":{"dc:creator":["Ρώτα Αικατερίνη"],"dc:date":["2014"],"dc:description":["Στα πλαίσια της μεταπτυχιακής εργασίας αναπτύχθηκε ένα σύστημα αυτόματης διάγνωσης για να ταξινομηθούν οι προ-καρκινικές αλλοιώσεις του τραχήλου της μήτρας σε χαμηλού (CIN I) και υψηλού βαθμού επικινδυνότητας (CIN II, CIN III) με την επεξεργασία ιστολογικών εικόνων, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση. Χρησιμοποιήθηκαν 35 δείγματα ασθενών (βιοψίες), που διαγνώστηκαν με ενδο-επιθηλιακές αλλοιώσεις. Από τα συνολικά 35 δείγματα , τα 12 διαγνώστηκαν ως χαμηλού βαθμού επικινδυνότητα (CIN 1), ενώ τα υπόλοιπα 23 ως υψηλού βαθμού επικινδυνότητα (CIN 2 και CIN 3), σύμφωνα με τη γνωμάτευση έμπειρου ιστοπαθολόγου. Αφού πραγματοποιήθηκε η προετοιμασία των δεδομένων και η ψηφιοποίηση τους, απομονώθηκαν οι πυρήνες στην κάθε εικόνα από τους οποίους έγινε εξαγωγή 17 χαρακτηριστικών, 5 μορφολογικών και 12 χαρακτηριστικών υφής. Τα χαρακτηριστικά αυτά αποτέλεσαν την είσοδο σε ένα σύστημα αναγνώρισης προτύπων που σχεδιάστηκε για να προβλέψει τον τύπο ενδοεπιθηλιακής αλλοίωσης. Δοκιμάστηκαν οι ταξινομητές : «k-Nearest Neighbors (k-NN)», «Probabilistic Neural Network (PNN)», «Minimum Distance Classifier (MDC)», «Least Squares Minimum Distance Classifier (LSMDC)», «Support Vector Machines (SVM)» και «Single Perceptron» για την ταξινόμηση των εικόνων σε 2 κατηγορίες (χαμηλού και υψηλού βαθμού επικινδυνότητα) καθώς και οι μέθοδοι επιλογής χαρακτηριστικών, Sequential Backward Selection και Exhaustive Search. To σύστημα αξιολογήθηκε με τη μέθοδο αξιολόγησης Leave-One-Out (LOO), ενώ η γενίκευση του συστήματος σε άγνωστα δεδομένα αξιολογήθηκε με τη μέθοδο External Cross Validation (ECV)."," The purpose of this thesis is the design of a pattern recognition system, which will be able to classify pre-cancerous lesions of the cervix in low (CIN 1) and high risk (CIN II, CIN III) by processing histopathological images, so that the treatment of patients can be optimized. Biopsies of 35 patients were used, which were diagnosed with intra-epithelial lesions. Of the total samples, 12 were diagnosed as low-grade risk (CIN 1), while the remaining 23 were diagnosed as high-grade risk (CIN 2 and CIN 3) in accordance with the diagnosis of an experienced histopathologist. After the preparation of the samples and their digitization, the segmentation of the nuclei is the next step. Then, 17 features were extracted from the segmented nuclei, from which 5 were morphological and 12 textural features. These features acted as input in a pattern recognition system that was designed to diagnose the type of the intraepithelial lesion. This system was constructed by the classifiers: «k- Nearest Neighbors (k-NN)», «Probabilistic Neural Network (PNN)», «Minimum Distance Classifier (MDC)», «Least Squares Minimum Distance Classifier (LSMDC)», «Support Vector Machines (SVM)» και «Single Perceptron». This system was used for classifying the nuclei into the two categories (low or high risk). For each classifier, the optimal feature combination was found applying the Sequential Backward Selection and the Exhaustive Search feature selection methods. The system evaluation in “new” data was performed by means of the External Cross Validation (ECV) method."],"dc:identifier":["uoadl:1320181","https://pergamos.lib.uoa.gr/uoa/dl/object/1320181"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Σύστημα αυτόματης διάγνωσης προ-καρκινικών αλλοιώσεων λόγω HPV-λοίμωξης τραχήλου μήτρας από ιστοπαθολογικές εικόνες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:15Z"}