{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320189"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320189","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 επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων δισδιάστατης ηλεκτροφόρησης με τεχνικές αναγνώρισης προτύπων","abstract":"Στην παρούσα διπλωματική εργασία μελετήθηκε και αναπτύχθηκε ένα σύστημα επεξεργασίας και ανάλυσης εικόνων για τον εντοπισμό εκείνων των κηλίδων σε 2d-gels, που μπορούν να ξεχωρίσουν τις περιπτώσεις ασθενών με μυελογενή από εκείνες τις περιπτώσεις ασθενών με λεμφογενή λευχαιμία, χρησιμοποιώντας χαρακτηριστικά υφής και τεχνικές αναγνώρισης προτύπων. Για την εφαρμογή χρησιμοποιήθηκαν εικόνες από μια διαδικτυακή βάση δεδομένων την LECB 2-D PAGE. Η εξαγωγή των περιοχών ενδιαφέροντος, έγινε με δύο τρόπους χειρωνακτικά, με επιλογή από τον χρήστη των κηλίδων που υποδεικνύονταν στη βάση δεδομένων, και αυτόματα, ορίζοντας μια περιοχή ενδιαφέροντος για κάθε κηλίδα, μεγέθους 13x13 εικονοστοιχείων περί του κέντρου των δεδομένων κηλίδων. Για τα δύο σύνολα υπολογίστηκαν χαρακτηριστικά υφής 1ης και 2ης τάξεως. Στη συνέχεια για κάθε σύνολο ξεχωριστά, έγινε μείωση των χαρακτηριστικών πρώτα με εφαρμογή ενός Man Whitney test (p<0.001) και στη συνέχεια με βάση τη συσχέτιση και το Man Whitney- (συνάρτηση rankfeatures του Matlab. Τα διανύσματα αυτά δόθηκαν σαν είσοδος σε ένα Πιθανοκρατικό Νευρωνικό Δίκτυο -PNN, χρησιμοποιώντας τη μέθοδο αποκλεισμού ενός (LOO), αλλά και σε έναν ΚΝΝ ταξινομητή για διάφορες τιμές του k. Κατόπιν, το σύστημα αξιολογήθηκε για κάθε σύνολο και ταξινομητή ξεχωριστά, με τη μέθοδο του αποκλεισμού του 30% του συνόλου των δειγμάτων για κάθε μία από τις δύο κατηγορίες.","abstract_html":"Στην παρούσα διπλωματική εργασία μελετήθηκε και αναπτύχθηκε ένα σύστημα επεξεργασίας και ανάλυσης εικόνων για τον εντοπισμό εκείνων των κηλίδων σε 2d-gels, που μπορούν να ξεχωρίσουν τις περιπτώσεις ασθενών με μυελογενή από εκείνες τις περιπτώσεις ασθενών με λεμφογενή λευχαιμία, χρησιμοποιώντας χαρακτηριστικά υφής και τεχνικές αναγνώρισης προτύπων. Για την εφαρμογή χρησιμοποιήθηκαν εικόνες από μια διαδικτυακή βάση δεδομένων την LECB 2-D PAGE. Η εξαγωγή των περιοχών ενδιαφέροντος, έγινε με δύο τρόπους χειρωνακτικά, με επιλογή από τον χρήστη των κηλίδων που υποδεικνύονταν στη βάση δεδομένων, και αυτόματα, ορίζοντας μια περιοχή ενδιαφέροντος για κάθε κηλίδα, μεγέθους 13x13 εικονοστοιχείων περί του κέντρου των δεδομένων κηλίδων. Για τα δύο σύνολα υπολογίστηκαν χαρακτηριστικά υφής 1ης και 2ης τάξεως. Στη συνέχεια για κάθε σύνολο ξεχωριστά, έγινε μείωση των χαρακτηριστικών πρώτα με εφαρμογή ενός Man Whitney test (p&lt;0.001) και στη συνέχεια με βάση τη συσχέτιση και το Man Whitney- (συνάρτηση rankfeatures του Matlab. Τα διανύσματα αυτά δόθηκαν σαν είσοδος σε ένα Πιθανοκρατικό Νευρωνικό Δίκτυο -PNN, χρησιμοποιώντας τη μέθοδο αποκλεισμού ενός (LOO), αλλά και σε έναν ΚΝΝ ταξινομητή για διάφορες τιμές του k. Κατόπιν, το σύστημα αξιολογήθηκε για κάθε σύνολο και ταξινομητή ξεχωριστά, με τη μέθοδο του αποκλεισμού του 30% του συνόλου των δειγμάτων για κάθε μία από τις δύο κατηγορίες.","abstract_has_math":false,"creators":["Θεοδόση Αγγελική"],"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":"2026-11-19T05:26:15Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320189"],"render_values":[{"text":"uoadl:1320189","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320189","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320189","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%3A1320189","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Θεοδόση Αγγελική"]}]},{"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:1320189","https://pergamos.lib.uoa.gr/uoa/dl/object/1320189"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα διπλωματική εργασία μελετήθηκε και αναπτύχθηκε ένα σύστημα επεξεργασίας και ανάλυσης εικόνων για τον εντοπισμό εκείνων των κηλίδων σε 2d-gels, που μπορούν να ξεχωρίσουν τις περιπτώσεις ασθενών με μυελογενή από εκείνες τις περιπτώσεις ασθενών με λεμφογενή λευχαιμία, χρησιμοποιώντας χαρακτηριστικά υφής και τεχνικές αναγνώρισης προτύπων. Για την εφαρμογή χρησιμοποιήθηκαν εικόνες από μια διαδικτυακή βάση δεδομένων την LECB 2-D PAGE. Η εξαγωγή των περιοχών ενδιαφέροντος, έγινε με δύο τρόπους χειρωνακτικά, με επιλογή από τον χρήστη των κηλίδων που υποδεικνύονταν στη βάση δεδομένων, και αυτόματα, ορίζοντας μια περιοχή ενδιαφέροντος για κάθε κηλίδα, μεγέθους 13x13 εικονοστοιχείων περί του κέντρου των δεδομένων κηλίδων. Για τα δύο σύνολα υπολογίστηκαν χαρακτηριστικά υφής 1ης και 2ης τάξεως. Στη συνέχεια για κάθε σύνολο ξεχωριστά, έγινε μείωση των χαρακτηριστικών πρώτα με εφαρμογή ενός Man Whitney test (p<0.001) και στη συνέχεια με βάση τη συσχέτιση και το Man Whitney- (συνάρτηση rankfeatures του Matlab. Τα διανύσματα αυτά δόθηκαν σαν είσοδος σε ένα Πιθανοκρατικό Νευρωνικό Δίκτυο -PNN, χρησιμοποιώντας τη μέθοδο αποκλεισμού ενός (LOO), αλλά και σε έναν ΚΝΝ ταξινομητή για διάφορες τιμές του k. Κατόπιν, το σύστημα αξιολογήθηκε για κάθε σύνολο και ταξινομητή ξεχωριστά, με τη μέθοδο του αποκλεισμού του 30% του συνόλου των δειγμάτων για κάθε μία από τις δύο κατηγορίες.","The aim of the present study was the design and development of a computer based system for the classification of two dimensional gel electrophoresis images, from patients with either Myeloid or Lymphoid Leukemia, using image analysis methods and pattern recognition techniques. The publicly available LECB 2-D PAGE gel images database was employed. Regions of Interest (ROIs) were extracted both manually and automatically by defining an area of 13x13 pixels, the center of which was stored in the database as centroid of the spot. For each spot a number of textural features were calculated based on first and second order statistical measures.Feature reduction took place by applying the Man Whitney test for the detection of statistical significant differences (p<0.001). Then, the features were ranked based on the combination criterion of correlation and Wilcoxon statistical test. Consequently, based on the retained feature vectors, a Probabilistic Neural Network (PNN) classifier and a kNN classifier were trained so as to discriminate the two classes (ML-LL). Feature selection was based on the exhaustive search method. The system classification accuracy was evaluated by the Leave One Out (LOO) method, and the External Cross Validation method (ECV)."]},{"key":"dc:title","label":"Title","values":["Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων δισδιάστατης ηλεκτροφόρησης με τεχνικές αναγνώρισης προτύπων"]}]}],"canonical_facts":{"dc:creator":["Θεοδόση Αγγελική"],"dc:date":["2012"],"dc:description":["Στην παρούσα διπλωματική εργασία μελετήθηκε και αναπτύχθηκε ένα σύστημα επεξεργασίας και ανάλυσης εικόνων για τον εντοπισμό εκείνων των κηλίδων σε 2d-gels, που μπορούν να ξεχωρίσουν τις περιπτώσεις ασθενών με μυελογενή από εκείνες τις περιπτώσεις ασθενών με λεμφογενή λευχαιμία, χρησιμοποιώντας χαρακτηριστικά υφής και τεχνικές αναγνώρισης προτύπων. Για την εφαρμογή χρησιμοποιήθηκαν εικόνες από μια διαδικτυακή βάση δεδομένων την LECB 2-D PAGE. Η εξαγωγή των περιοχών ενδιαφέροντος, έγινε με δύο τρόπους χειρωνακτικά, με επιλογή από τον χρήστη των κηλίδων που υποδεικνύονταν στη βάση δεδομένων, και αυτόματα, ορίζοντας μια περιοχή ενδιαφέροντος για κάθε κηλίδα, μεγέθους 13x13 εικονοστοιχείων περί του κέντρου των δεδομένων κηλίδων. Για τα δύο σύνολα υπολογίστηκαν χαρακτηριστικά υφής 1ης και 2ης τάξεως. Στη συνέχεια για κάθε σύνολο ξεχωριστά, έγινε μείωση των χαρακτηριστικών πρώτα με εφαρμογή ενός Man Whitney test (p<0.001) και στη συνέχεια με βάση τη συσχέτιση και το Man Whitney- (συνάρτηση rankfeatures του Matlab. Τα διανύσματα αυτά δόθηκαν σαν είσοδος σε ένα Πιθανοκρατικό Νευρωνικό Δίκτυο -PNN, χρησιμοποιώντας τη μέθοδο αποκλεισμού ενός (LOO), αλλά και σε έναν ΚΝΝ ταξινομητή για διάφορες τιμές του k. Κατόπιν, το σύστημα αξιολογήθηκε για κάθε σύνολο και ταξινομητή ξεχωριστά, με τη μέθοδο του αποκλεισμού του 30% του συνόλου των δειγμάτων για κάθε μία από τις δύο κατηγορίες.","The aim of the present study was the design and development of a computer based system for the classification of two dimensional gel electrophoresis images, from patients with either Myeloid or Lymphoid Leukemia, using image analysis methods and pattern recognition techniques. The publicly available LECB 2-D PAGE gel images database was employed. Regions of Interest (ROIs) were extracted both manually and automatically by defining an area of 13x13 pixels, the center of which was stored in the database as centroid of the spot. For each spot a number of textural features were calculated based on first and second order statistical measures.Feature reduction took place by applying the Man Whitney test for the detection of statistical significant differences (p<0.001). Then, the features were ranked based on the combination criterion of correlation and Wilcoxon statistical test. Consequently, based on the retained feature vectors, a Probabilistic Neural Network (PNN) classifier and a kNN classifier were trained so as to discriminate the two classes (ML-LL). Feature selection was based on the exhaustive search method. The system classification accuracy was evaluated by the Leave One Out (LOO) method, and the External Cross Validation method (ECV)."],"dc:identifier":["uoadl:1320189","https://pergamos.lib.uoa.gr/uoa/dl/object/1320189"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων δισδιάστατης ηλεκτροφόρησης με τεχνικές αναγνώρισης προτύπων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:15Z"}