{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320264"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320264","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σχεδιασμός συστήματος αναγνώρισης προτύπων για διαχωρισμό ισχαιμικών αλλοιώσεων από σκλήρυνση κατά πλάκας σε εικόνες Μαγνητικής Τομογραφίας εγκεφάλου","abstract":"Αντικείμενο της συγκεκριμένης εργασίας είναι η δημιουργία ενός συστήματος υποβοηθούμενης διάγνωσης για την ταξινόμηση εγκεφαλικών αλλοιώσεων και ειδικότερα, των ισχαιμικών από αυτών με σκλήρυνση κατά πλάκας (ΣΚΠ), στηριζόμενο σε εικόνες μαγνητικής τομογραφίας εγκεφάλου. Η διαδικασία περιλαμβάνει τη λήψη των εικόνων μαγνητικής τομογραφίας από εξειδικευμένους επιστήμονες και στη συνέχεια την επεξεργασία και ανάλυσή τους με στόχο την ταξινόμηση των αλλοιώσεων σε ισχαιμία ή ΣΚΠ. Για την παραπάνω διαδικασία χρησιμοποιήθηκαν 22 εικόνες με ισχαιμία και 13 εικόνες με ΣΚΠ εκ των οποίων εξήχθησαν 83 και 46 περιοχές ενδιαφέροντος αντίστοιχα. Από τις συνολικά 129 περιοχές ενδιαφέροντος υπολογίστηκαν 34 χαρακτηριστικά υφής 1ης και 2ης τάξης. Από το αρχικό πλήθος των 34 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων Sequential Backward Selection (SBS) και rank-features criterion. Για την ταξινόμηση των δειγμάτων υλοποιήθηκαν 6 διαφορετικοί ταξινομητές και η απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out (LOO) και External Cross Validation (ECV). Η ακρίβεια του προτεινόμενου συστήματος στο διαχωρισμό ‘άγνωστων’ δεδομένων (ισχαιμικών και ΣΚΠ) εκτιμάται σε ποσοστό 75.25±14.46% με τον ταξινομητή Quadratic Bayes και με εφαρμογή του rank-features criterion σαν μέθοδο επιλογής χαρακτηριστικών.","abstract_html":"Αντικείμενο της συγκεκριμένης εργασίας είναι η δημιουργία ενός συστήματος υποβοηθούμενης διάγνωσης για την ταξινόμηση εγκεφαλικών αλλοιώσεων και ειδικότερα, των ισχαιμικών από αυτών με σκλήρυνση κατά πλάκας (ΣΚΠ), στηριζόμενο σε εικόνες μαγνητικής τομογραφίας εγκεφάλου. Η διαδικασία περιλαμβάνει τη λήψη των εικόνων μαγνητικής τομογραφίας από εξειδικευμένους επιστήμονες και στη συνέχεια την επεξεργασία και ανάλυσή τους με στόχο την ταξινόμηση των αλλοιώσεων σε ισχαιμία ή ΣΚΠ. Για την παραπάνω διαδικασία χρησιμοποιήθηκαν 22 εικόνες με ισχαιμία και 13 εικόνες με ΣΚΠ εκ των οποίων εξήχθησαν 83 και 46 περιοχές ενδιαφέροντος αντίστοιχα. Από τις συνολικά 129 περιοχές ενδιαφέροντος υπολογίστηκαν 34 χαρακτηριστικά υφής 1ης και 2ης τάξης. Από το αρχικό πλήθος των 34 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων Sequential Backward Selection (SBS) και rank-features criterion. Για την ταξινόμηση των δειγμάτων υλοποιήθηκαν 6 διαφορετικοί ταξινομητές και η απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out (LOO) και External Cross Validation (ECV). Η ακρίβεια του προτεινόμενου συστήματος στο διαχωρισμό ‘άγνωστων’ δεδομένων (ισχαιμικών και ΣΚΠ) εκτιμάται σε ποσοστό 75.25±14.46% με τον ταξινομητή Quadratic Bayes και με εφαρμογή του rank-features criterion σαν μέθοδο επιλογής χαρακτηριστικών.","abstract_has_math":false,"creators":["Κοτσιλίτη Ευαγγελία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013","date_published":"2013","updated_at":"2026-11-19T05:26:16Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320264"],"render_values":[{"text":"uoadl:1320264","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320264","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320264","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%3A1320264","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κοτσιλίτη Ευαγγελία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2013"]},{"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:1320264","https://pergamos.lib.uoa.gr/uoa/dl/object/1320264"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της συγκεκριμένης εργασίας είναι η δημιουργία ενός συστήματος υποβοηθούμενης διάγνωσης για την ταξινόμηση εγκεφαλικών αλλοιώσεων και ειδικότερα, των ισχαιμικών από αυτών με σκλήρυνση κατά πλάκας (ΣΚΠ), στηριζόμενο σε εικόνες μαγνητικής τομογραφίας εγκεφάλου. Η διαδικασία περιλαμβάνει τη λήψη των εικόνων μαγνητικής τομογραφίας από εξειδικευμένους επιστήμονες και στη συνέχεια την επεξεργασία και ανάλυσή τους με στόχο την ταξινόμηση των αλλοιώσεων σε ισχαιμία ή ΣΚΠ. Για την παραπάνω διαδικασία χρησιμοποιήθηκαν 22 εικόνες με ισχαιμία και 13 εικόνες με ΣΚΠ εκ των οποίων εξήχθησαν 83 και 46 περιοχές ενδιαφέροντος αντίστοιχα. Από τις συνολικά 129 περιοχές ενδιαφέροντος υπολογίστηκαν 34 χαρακτηριστικά υφής 1ης και 2ης τάξης. Από το αρχικό πλήθος των 34 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων Sequential Backward Selection (SBS) και rank-features criterion. Για την ταξινόμηση των δειγμάτων υλοποιήθηκαν 6 διαφορετικοί ταξινομητές και η απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out (LOO) και External Cross Validation (ECV). Η ακρίβεια του προτεινόμενου συστήματος στο διαχωρισμό ‘άγνωστων’ δεδομένων (ισχαιμικών και ΣΚΠ) εκτιμάται σε ποσοστό 75.25±14.46% με τον ταξινομητή Quadratic Bayes και με εφαρμογή του rank-features criterion σαν μέθοδο επιλογής χαρακτηριστικών.","The goal of the present study is the design of a computer-assisted diagnosis system for the discrimination of ischemic (ISH) from multiple sclerosis (MS) lesions based on texture analysis of brain magnetic resonance images (MRI). The initial step of the procedure included the retrieval of the brain MR images from experienced radiologists. These images were further processed and analyzed in order to achieve the correct classification of the lesions in the ISH or MS group. The ISH group comprised 22 patients diagnosed with clinically definite ISH. The MS group comprised 13 patients diagnosed with clinically definite MS. From the ISH group, 83 regions of interest (ROIs) were extracted, whereas from the MS group 46 ROIs were extracted. From these 129 ROIs, 34 textural features of 1st and 2nd order statistics were calculated. From the initial set of 34 features, the optimal subset of features was derived employing the Sequential Backward Selection (SBS) method and rank-features criterion. For the classification of the patterns (ROIs), 6 different classifiers were designed and their overall accuracy was evaluated by two different evaluation methods: the Leave-one-Out (LOO) method and the External Cross Validation (ECV) method. The system’s performance to ‘unknown’ data was about 75.25±14.46% employing the Quadratic Bayesian classifier along with the rank-features criterion as the feature selection method. The proposed system could be used as second opinion tool for the discrimination of lesions."]},{"key":"dc:title","label":"Title","values":["Σχεδιασμός συστήματος αναγνώρισης προτύπων για διαχωρισμό ισχαιμικών αλλοιώσεων από σκλήρυνση κατά πλάκας σε εικόνες Μαγνητικής Τομογραφίας εγκεφάλου"]}]}],"canonical_facts":{"dc:creator":["Κοτσιλίτη Ευαγγελία"],"dc:date":["2013"],"dc:description":["Αντικείμενο της συγκεκριμένης εργασίας είναι η δημιουργία ενός συστήματος υποβοηθούμενης διάγνωσης για την ταξινόμηση εγκεφαλικών αλλοιώσεων και ειδικότερα, των ισχαιμικών από αυτών με σκλήρυνση κατά πλάκας (ΣΚΠ), στηριζόμενο σε εικόνες μαγνητικής τομογραφίας εγκεφάλου. Η διαδικασία περιλαμβάνει τη λήψη των εικόνων μαγνητικής τομογραφίας από εξειδικευμένους επιστήμονες και στη συνέχεια την επεξεργασία και ανάλυσή τους με στόχο την ταξινόμηση των αλλοιώσεων σε ισχαιμία ή ΣΚΠ. Για την παραπάνω διαδικασία χρησιμοποιήθηκαν 22 εικόνες με ισχαιμία και 13 εικόνες με ΣΚΠ εκ των οποίων εξήχθησαν 83 και 46 περιοχές ενδιαφέροντος αντίστοιχα. Από τις συνολικά 129 περιοχές ενδιαφέροντος υπολογίστηκαν 34 χαρακτηριστικά υφής 1ης και 2ης τάξης. Από το αρχικό πλήθος των 34 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων Sequential Backward Selection (SBS) και rank-features criterion. Για την ταξινόμηση των δειγμάτων υλοποιήθηκαν 6 διαφορετικοί ταξινομητές και η απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out (LOO) και External Cross Validation (ECV). Η ακρίβεια του προτεινόμενου συστήματος στο διαχωρισμό ‘άγνωστων’ δεδομένων (ισχαιμικών και ΣΚΠ) εκτιμάται σε ποσοστό 75.25±14.46% με τον ταξινομητή Quadratic Bayes και με εφαρμογή του rank-features criterion σαν μέθοδο επιλογής χαρακτηριστικών.","The goal of the present study is the design of a computer-assisted diagnosis system for the discrimination of ischemic (ISH) from multiple sclerosis (MS) lesions based on texture analysis of brain magnetic resonance images (MRI). The initial step of the procedure included the retrieval of the brain MR images from experienced radiologists. These images were further processed and analyzed in order to achieve the correct classification of the lesions in the ISH or MS group. The ISH group comprised 22 patients diagnosed with clinically definite ISH. The MS group comprised 13 patients diagnosed with clinically definite MS. From the ISH group, 83 regions of interest (ROIs) were extracted, whereas from the MS group 46 ROIs were extracted. From these 129 ROIs, 34 textural features of 1st and 2nd order statistics were calculated. From the initial set of 34 features, the optimal subset of features was derived employing the Sequential Backward Selection (SBS) method and rank-features criterion. For the classification of the patterns (ROIs), 6 different classifiers were designed and their overall accuracy was evaluated by two different evaluation methods: the Leave-one-Out (LOO) method and the External Cross Validation (ECV) method. The system’s performance to ‘unknown’ data was about 75.25±14.46% employing the Quadratic Bayesian classifier along with the rank-features criterion as the feature selection method. The proposed system could be used as second opinion tool for the discrimination of lesions."],"dc:identifier":["uoadl:1320264","https://pergamos.lib.uoa.gr/uoa/dl/object/1320264"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Σχεδιασμός συστήματος αναγνώρισης προτύπων για διαχωρισμό ισχαιμικών αλλοιώσεων από σκλήρυνση κατά πλάκας σε εικόνες Μαγνητικής Τομογραφίας εγκεφάλου"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:16Z"}