{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320198"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320198","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 υποβοήθησης της ταξινόμησης του καρκίνου της ουροδόχου κύστεως από ιστοπαθολογικές εικόνες","abstract":"Αντικείμενο της παρούσας εργασίας, είναι η ανάπτυξη ενός αυτόματου συστήματος υποβοήθησης απόφασης για τη διάγνωση της καλοήθειας ή της κακοήθειας της ουροδόχου κύστεως, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση των ασθενών. Η διαδικασία περιλαμβάνει τη λήψη, επεξεργασία και ανάλυση ιστοπαθολογικών εικόνων μικροσκοπίας, από δείγματα βιοψίας ασθενών με καρκίνο της ουροδόχου κύστεως, με στόχο την ταξινόμησή τους ως χαμηλού ή υψηλού βαθμού κακοήθειας, σύμφωνα πάντα με το πρότυπο ταξινόμησης του Παγκόσμιου Οργανισμού Υγείας, για τον καρκίνο της ουροδόχου κύστεως. Η τμηματοποίηση των εικόνων που λήφθηκαν μέσω του μικροσκοπίου και στόχο είχε την εξαγωγή των πυρήνων, έγινε με ένα fuzzy c-means clustering αλγόριθμο, πλεονέκτημα του οποίου ήταν η υψηλή ταχύτητα επεξεργασίας. Έπειτα έγινε εξαγωγή 34 χαρακτηριστικών, μορφολογικών και υφής απ' τους πυρήνες της εικόνας. Για την ταξινόμηση των δειγμάτων σε χαμηλό και υψηλό βαθμό κακοήθειας, στήθηκε ένα σύστημα αναγνώρισης προτύπων, κατά το οποίο δοκιμάστηκαν 5 διαφορετικοί αλγόριθμοι ταξινόμησης (k nearest neighbour, linear discriminant analysis, bayessian, support vector machine, probabilistic neural network). Για κάθε έναν ταξινομητή βρέθηκε ο καταλληλότερος συνδυασμός χαρακτηριστικών, εφαρμόζοντας εξαντλητική αναζήτηση για τρεις μεθόδους αξιολόγησης της απόδοσης του συστήματος (Leave One Out, 5 fold Cross Validation, External Cross Validation). Τέλος, μελετήθηκε κατά πόσο μεταβάλλεται η απόδοση του συστήματος, κατά το συνδυασμό των εξόδων των παραπάνω ταξινομητών βάσει 5 διαφορετικών κανόνων","abstract_html":"Αντικείμενο της παρούσας εργασίας, είναι η ανάπτυξη ενός αυτόματου συστήματος υποβοήθησης απόφασης για τη διάγνωση της καλοήθειας ή της κακοήθειας της ουροδόχου κύστεως, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση των ασθενών. Η διαδικασία περιλαμβάνει τη λήψη, επεξεργασία και ανάλυση ιστοπαθολογικών εικόνων μικροσκοπίας, από δείγματα βιοψίας ασθενών με καρκίνο της ουροδόχου κύστεως, με στόχο την ταξινόμησή τους ως χαμηλού ή υψηλού βαθμού κακοήθειας, σύμφωνα πάντα με το πρότυπο ταξινόμησης του Παγκόσμιου Οργανισμού Υγείας, για τον καρκίνο της ουροδόχου κύστεως. Η τμηματοποίηση των εικόνων που λήφθηκαν μέσω του μικροσκοπίου και στόχο είχε την εξαγωγή των πυρήνων, έγινε με ένα fuzzy c-means clustering αλγόριθμο, πλεονέκτημα του οποίου ήταν η υψηλή ταχύτητα επεξεργασίας. Έπειτα έγινε εξαγωγή 34 χαρακτηριστικών, μορφολογικών και υφής απ&#x27; τους πυρήνες της εικόνας. Για την ταξινόμηση των δειγμάτων σε χαμηλό και υψηλό βαθμό κακοήθειας, στήθηκε ένα σύστημα αναγνώρισης προτύπων, κατά το οποίο δοκιμάστηκαν 5 διαφορετικοί αλγόριθμοι ταξινόμησης (k nearest neighbour, linear discriminant analysis, bayessian, support vector machine, probabilistic neural network). Για κάθε έναν ταξινομητή βρέθηκε ο καταλληλότερος συνδυασμός χαρακτηριστικών, εφαρμόζοντας εξαντλητική αναζήτηση για τρεις μεθόδους αξιολόγησης της απόδοσης του συστήματος (Leave One Out, 5 fold Cross Validation, External Cross Validation). Τέλος, μελετήθηκε κατά πόσο μεταβάλλεται η απόδοση του συστήματος, κατά το συνδυασμό των εξόδων των παραπάνω ταξινομητών βάσει 5 διαφορετικών κανόνων","abstract_has_math":false,"creators":["Σακελλάριος Χρήστος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2011,"date_issued":"2011","date_published":"2011","updated_at":"2026-11-19T05:26:15Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320198"],"render_values":[{"text":"uoadl:1320198","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320198","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320198","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%3A1320198","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σακελλάριος Χρήστος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2011"]},{"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:1320198","https://pergamos.lib.uoa.gr/uoa/dl/object/1320198"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της παρούσας εργασίας, είναι η ανάπτυξη ενός αυτόματου συστήματος υποβοήθησης απόφασης για τη διάγνωση της καλοήθειας ή της κακοήθειας της ουροδόχου κύστεως, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση των ασθενών. Η διαδικασία περιλαμβάνει τη λήψη, επεξεργασία και ανάλυση ιστοπαθολογικών εικόνων μικροσκοπίας, από δείγματα βιοψίας ασθενών με καρκίνο της ουροδόχου κύστεως, με στόχο την ταξινόμησή τους ως χαμηλού ή υψηλού βαθμού κακοήθειας, σύμφωνα πάντα με το πρότυπο ταξινόμησης του Παγκόσμιου Οργανισμού Υγείας, για τον καρκίνο της ουροδόχου κύστεως. Η τμηματοποίηση των εικόνων που λήφθηκαν μέσω του μικροσκοπίου και στόχο είχε την εξαγωγή των πυρήνων, έγινε με ένα fuzzy c-means clustering αλγόριθμο, πλεονέκτημα του οποίου ήταν η υψηλή ταχύτητα επεξεργασίας. Έπειτα έγινε εξαγωγή 34 χαρακτηριστικών, μορφολογικών και υφής απ' τους πυρήνες της εικόνας. Για την ταξινόμηση των δειγμάτων σε χαμηλό και υψηλό βαθμό κακοήθειας, στήθηκε ένα σύστημα αναγνώρισης προτύπων, κατά το οποίο δοκιμάστηκαν 5 διαφορετικοί αλγόριθμοι ταξινόμησης (k nearest neighbour, linear discriminant analysis, bayessian, support vector machine, probabilistic neural network). Για κάθε έναν ταξινομητή βρέθηκε ο καταλληλότερος συνδυασμός χαρακτηριστικών, εφαρμόζοντας εξαντλητική αναζήτηση για τρεις μεθόδους αξιολόγησης της απόδοσης του συστήματος (Leave One Out, 5 fold Cross Validation, External Cross Validation). Τέλος, μελετήθηκε κατά πόσο μεταβάλλεται η απόδοση του συστήματος, κατά το συνδυασμό των εξόδων των παραπάνω ταξινομητών βάσει 5 διαφορετικών κανόνων","This study describes the development of a computerized, decision support system for grading urinary bladder cancer as high or low malignancy according to the WHO/ISUP grading system, based on features on microscopy tissue slides, in order to increase patient's treatment quality. Tissues from the urinary bladder of 56 patients, were stained with Haematoxylin and Eosin and assessed for their histological tumor grade (high or low), by an experienced pathologist. The tissue slides were firstly digitized and then segmented with a fuzzy c-means clustering algorithm. Segmentation's aim was to distinguish nuclei from background tissue. The segmentation was followed by 34 morphological and textural feature extraction, from the segmented image's nuclei. In order to classify cases as high and low grade, a pattern recognition system was created, where 5 different classifiers were tested (k nearest neighbour, linear discriminant analysis, bayessian, support vector machine, probabilistic neural network). For each classifier, the best feature combination was found by exhaustive search method in feature combinations and evaluating the system’s performance with three methods (Leave One Out, Cross Validation, External Cross Validation). Finally, a multi-classifier scheme was created to find out how the combination of all 5 classifiers can affect system accuracy"]},{"key":"dc:title","label":"Title","values":["Σύστημα υποβοήθησης της ταξινόμησης του καρκίνου της ουροδόχου κύστεως από ιστοπαθολογικές εικόνες"]}]}],"canonical_facts":{"dc:creator":["Σακελλάριος Χρήστος"],"dc:date":["2011"],"dc:description":["Αντικείμενο της παρούσας εργασίας, είναι η ανάπτυξη ενός αυτόματου συστήματος υποβοήθησης απόφασης για τη διάγνωση της καλοήθειας ή της κακοήθειας της ουροδόχου κύστεως, ώστε να βελτιστοποιηθεί η θεραπευτική αντιμετώπιση των ασθενών. Η διαδικασία περιλαμβάνει τη λήψη, επεξεργασία και ανάλυση ιστοπαθολογικών εικόνων μικροσκοπίας, από δείγματα βιοψίας ασθενών με καρκίνο της ουροδόχου κύστεως, με στόχο την ταξινόμησή τους ως χαμηλού ή υψηλού βαθμού κακοήθειας, σύμφωνα πάντα με το πρότυπο ταξινόμησης του Παγκόσμιου Οργανισμού Υγείας, για τον καρκίνο της ουροδόχου κύστεως. Η τμηματοποίηση των εικόνων που λήφθηκαν μέσω του μικροσκοπίου και στόχο είχε την εξαγωγή των πυρήνων, έγινε με ένα fuzzy c-means clustering αλγόριθμο, πλεονέκτημα του οποίου ήταν η υψηλή ταχύτητα επεξεργασίας. Έπειτα έγινε εξαγωγή 34 χαρακτηριστικών, μορφολογικών και υφής απ' τους πυρήνες της εικόνας. Για την ταξινόμηση των δειγμάτων σε χαμηλό και υψηλό βαθμό κακοήθειας, στήθηκε ένα σύστημα αναγνώρισης προτύπων, κατά το οποίο δοκιμάστηκαν 5 διαφορετικοί αλγόριθμοι ταξινόμησης (k nearest neighbour, linear discriminant analysis, bayessian, support vector machine, probabilistic neural network). Για κάθε έναν ταξινομητή βρέθηκε ο καταλληλότερος συνδυασμός χαρακτηριστικών, εφαρμόζοντας εξαντλητική αναζήτηση για τρεις μεθόδους αξιολόγησης της απόδοσης του συστήματος (Leave One Out, 5 fold Cross Validation, External Cross Validation). Τέλος, μελετήθηκε κατά πόσο μεταβάλλεται η απόδοση του συστήματος, κατά το συνδυασμό των εξόδων των παραπάνω ταξινομητών βάσει 5 διαφορετικών κανόνων","This study describes the development of a computerized, decision support system for grading urinary bladder cancer as high or low malignancy according to the WHO/ISUP grading system, based on features on microscopy tissue slides, in order to increase patient's treatment quality. Tissues from the urinary bladder of 56 patients, were stained with Haematoxylin and Eosin and assessed for their histological tumor grade (high or low), by an experienced pathologist. The tissue slides were firstly digitized and then segmented with a fuzzy c-means clustering algorithm. Segmentation's aim was to distinguish nuclei from background tissue. The segmentation was followed by 34 morphological and textural feature extraction, from the segmented image's nuclei. In order to classify cases as high and low grade, a pattern recognition system was created, where 5 different classifiers were tested (k nearest neighbour, linear discriminant analysis, bayessian, support vector machine, probabilistic neural network). For each classifier, the best feature combination was found by exhaustive search method in feature combinations and evaluating the system’s performance with three methods (Leave One Out, Cross Validation, External Cross Validation). Finally, a multi-classifier scheme was created to find out how the combination of all 5 classifiers can affect system accuracy"],"dc:identifier":["uoadl:1320198","https://pergamos.lib.uoa.gr/uoa/dl/object/1320198"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Σύστημα υποβοήθησης της ταξινόμησης του καρκίνου της ουροδόχου κύστεως από ιστοπαθολογικές εικόνες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:15Z"}