{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320532"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320532","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Υλοποίηση Συστήματος Υπολογιστικής Ποσοτικοποίησης του Πνευμονικού Εμφυσήματος σε Εικόνες Αξονικής Τομογραφίας","abstract":"Αντικείμενο της εργασίας, είναι η ανάπτυξη και η αξιολόγηση ενός υπολογιστικού συστήματος ανάλυσης ιατρικής εικόνας για την εκτίμηση της κατανομής και της ποσότητας του εμφυσήματος στον πνεύμονα. Για τον εντοπισμό των εμφυσημάτων στην εικόνα υλοποιήθηκε ένας αλγόριθμος τμηματοποίησης εικονοστοιχείων βασισμένος στην αναγνώριση προτύπων. Κατόπιν υλοποιήθηκε και αξιολογήθηκε ένα σύστημα ποσοτικοποίησης του εμφυσήματος βασισμένο σε αλγορίθμους ταξινόμησης εικονοστοιχείων στις δυο διαφορετικές πνευμονικές περιοχές. Για τη διάκριση των περιοχών, υλοποιήθηκαν και δοκιμάστηκαν ταξινομητές όπως ο ταξινομητής ελάχιστης απόστασης (Minimum Distance Classifier - MDC), ο ταξινομητής k πλησιέστερων γειτόνων (k-Nearest Neighbor - kNN) καθώς και ένα πιθανοκρατικό νευρωνικό δίκτυο (Probability Neural Network - PNN). Η ποσοτικοποίηση του εμφυσήματος όπως υπολογίστηκε από το προτεινόμενο σύστημα ανάλυσης εικόνας, συσχετίσθηκε με τα αντίστοιχα αποτελέσματα από το λογισμικό του αξονικού τομογράφου καθώς και από τα ευρήματα της σπιρομέτρησης, η οποία μας δίνει στοιχεία για τη λειτουργική κατάσταση του πνεύμονα. Τα αποτελέσματα παρουσιάζουν σημαντική συσχέτιση μεταξύ της ποσοτικοποίησης του εμφυσήματος από το προτεινόμενο σύστημα και του λογισμικού του αξονικού τομογράφου. Επίσης παρουσιάζεται αρνητική συσχέτιση με τα ευρήματα της σπιρομέτρησης. Η προτεινόμενη μέθοδος ποσοτικοποίησης του εμφυσήματος θα μπορούσε να χρησιμοποιηθεί ως εργαλείο υποβοήθησης του ειδικού ιατρού στη διάγνωση αλλά και στον καθορισμό του σταδίου της νόσου.","abstract_html":"Αντικείμενο της εργασίας, είναι η ανάπτυξη και η αξιολόγηση ενός υπολογιστικού συστήματος ανάλυσης ιατρικής εικόνας για την εκτίμηση της κατανομής και της ποσότητας του εμφυσήματος στον πνεύμονα. Για τον εντοπισμό των εμφυσημάτων στην εικόνα υλοποιήθηκε ένας αλγόριθμος τμηματοποίησης εικονοστοιχείων βασισμένος στην αναγνώριση προτύπων. Κατόπιν υλοποιήθηκε και αξιολογήθηκε ένα σύστημα ποσοτικοποίησης του εμφυσήματος βασισμένο σε αλγορίθμους ταξινόμησης εικονοστοιχείων στις δυο διαφορετικές πνευμονικές περιοχές. Για τη διάκριση των περιοχών, υλοποιήθηκαν και δοκιμάστηκαν ταξινομητές όπως ο ταξινομητής ελάχιστης απόστασης (Minimum Distance Classifier - MDC), ο ταξινομητής k πλησιέστερων γειτόνων (k-Nearest Neighbor - kNN) καθώς και ένα πιθανοκρατικό νευρωνικό δίκτυο (Probability Neural Network - PNN). Η ποσοτικοποίηση του εμφυσήματος όπως υπολογίστηκε από το προτεινόμενο σύστημα ανάλυσης εικόνας, συσχετίσθηκε με τα αντίστοιχα αποτελέσματα από το λογισμικό του αξονικού τομογράφου καθώς και από τα ευρήματα της σπιρομέτρησης, η οποία μας δίνει στοιχεία για τη λειτουργική κατάσταση του πνεύμονα. Τα αποτελέσματα παρουσιάζουν σημαντική συσχέτιση μεταξύ της ποσοτικοποίησης του εμφυσήματος από το προτεινόμενο σύστημα και του λογισμικού του αξονικού τομογράφου. Επίσης παρουσιάζεται αρνητική συσχέτιση με τα ευρήματα της σπιρομέτρησης. Η προτεινόμενη μέθοδος ποσοτικοποίησης του εμφυσήματος θα μπορούσε να χρησιμοποιηθεί ως εργαλείο υποβοήθησης του ειδικού ιατρού στη διάγνωση αλλά και στον καθορισμό του σταδίου της νόσου.","abstract_has_math":false,"creators":["Μανετζή Θεοδώρα"],"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":"2026-11-19T05:26:26Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320532"],"render_values":[{"text":"uoadl:1320532","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320532","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320532","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%3A1320532","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μανετζή Θεοδώρα"]}]},{"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:1320532","https://pergamos.lib.uoa.gr/uoa/dl/object/1320532"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της εργασίας, είναι η ανάπτυξη και η αξιολόγηση ενός υπολογιστικού συστήματος ανάλυσης ιατρικής εικόνας για την εκτίμηση της κατανομής και της ποσότητας του εμφυσήματος στον πνεύμονα. Για τον εντοπισμό των εμφυσημάτων στην εικόνα υλοποιήθηκε ένας αλγόριθμος τμηματοποίησης εικονοστοιχείων βασισμένος στην αναγνώριση προτύπων. Κατόπιν υλοποιήθηκε και αξιολογήθηκε ένα σύστημα ποσοτικοποίησης του εμφυσήματος βασισμένο σε αλγορίθμους ταξινόμησης εικονοστοιχείων στις δυο διαφορετικές πνευμονικές περιοχές. Για τη διάκριση των περιοχών, υλοποιήθηκαν και δοκιμάστηκαν ταξινομητές όπως ο ταξινομητής ελάχιστης απόστασης (Minimum Distance Classifier - MDC), ο ταξινομητής k πλησιέστερων γειτόνων (k-Nearest Neighbor - kNN) καθώς και ένα πιθανοκρατικό νευρωνικό δίκτυο (Probability Neural Network - PNN). Η ποσοτικοποίηση του εμφυσήματος όπως υπολογίστηκε από το προτεινόμενο σύστημα ανάλυσης εικόνας, συσχετίσθηκε με τα αντίστοιχα αποτελέσματα από το λογισμικό του αξονικού τομογράφου καθώς και από τα ευρήματα της σπιρομέτρησης, η οποία μας δίνει στοιχεία για τη λειτουργική κατάσταση του πνεύμονα. Τα αποτελέσματα παρουσιάζουν σημαντική συσχέτιση μεταξύ της ποσοτικοποίησης του εμφυσήματος από το προτεινόμενο σύστημα και του λογισμικού του αξονικού τομογράφου. Επίσης παρουσιάζεται αρνητική συσχέτιση με τα ευρήματα της σπιρομέτρησης. Η προτεινόμενη μέθοδος ποσοτικοποίησης του εμφυσήματος θα μπορούσε να χρησιμοποιηθεί ως εργαλείο υποβοήθησης του ειδικού ιατρού στη διάγνωση αλλά και στον καθορισμό του σταδίου της νόσου.","In the present study the development and evaluation of an image analysis system to assess the distribution and quantification of emphysema in lungs, is described. For emphysema detection, a pixel segmentation algorithm was implemented that was based on pattern recognition. Initially, representative features from predefined regions of interest (ROIs) by the expert radiologist were extracted. The minimum distance classifier (MDC), the k nearest neighbor classifier (kNN) and the probabilistic neural network classifier (PNN) were implemented and tested for classifying image pixels either to emphysema or to lung parenchyma regions. Quantification of emphysema, as computed by the proposed image analysis system, was associated with the corresponding results from the CT software and with the spirometry findings, which gives evidence for the functional state of lungs. Results show a significant correlation between emphysema quantification by the proposed system and by CT software. A negative correlation was found between the proposed image analysis system and the spirometry findings. The proposed method of emphysema quantification may be used as a second opinion tool aiding the physician in diagnosing and determining the stage of the disease."]},{"key":"dc:title","label":"Title","values":["Υλοποίηση Συστήματος Υπολογιστικής Ποσοτικοποίησης του Πνευμονικού Εμφυσήματος σε Εικόνες Αξονικής Τομογραφίας"]}]}],"canonical_facts":{"dc:creator":["Μανετζή Θεοδώρα"],"dc:date":["2012"],"dc:description":["Αντικείμενο της εργασίας, είναι η ανάπτυξη και η αξιολόγηση ενός υπολογιστικού συστήματος ανάλυσης ιατρικής εικόνας για την εκτίμηση της κατανομής και της ποσότητας του εμφυσήματος στον πνεύμονα. Για τον εντοπισμό των εμφυσημάτων στην εικόνα υλοποιήθηκε ένας αλγόριθμος τμηματοποίησης εικονοστοιχείων βασισμένος στην αναγνώριση προτύπων. Κατόπιν υλοποιήθηκε και αξιολογήθηκε ένα σύστημα ποσοτικοποίησης του εμφυσήματος βασισμένο σε αλγορίθμους ταξινόμησης εικονοστοιχείων στις δυο διαφορετικές πνευμονικές περιοχές. Για τη διάκριση των περιοχών, υλοποιήθηκαν και δοκιμάστηκαν ταξινομητές όπως ο ταξινομητής ελάχιστης απόστασης (Minimum Distance Classifier - MDC), ο ταξινομητής k πλησιέστερων γειτόνων (k-Nearest Neighbor - kNN) καθώς και ένα πιθανοκρατικό νευρωνικό δίκτυο (Probability Neural Network - PNN). Η ποσοτικοποίηση του εμφυσήματος όπως υπολογίστηκε από το προτεινόμενο σύστημα ανάλυσης εικόνας, συσχετίσθηκε με τα αντίστοιχα αποτελέσματα από το λογισμικό του αξονικού τομογράφου καθώς και από τα ευρήματα της σπιρομέτρησης, η οποία μας δίνει στοιχεία για τη λειτουργική κατάσταση του πνεύμονα. Τα αποτελέσματα παρουσιάζουν σημαντική συσχέτιση μεταξύ της ποσοτικοποίησης του εμφυσήματος από το προτεινόμενο σύστημα και του λογισμικού του αξονικού τομογράφου. Επίσης παρουσιάζεται αρνητική συσχέτιση με τα ευρήματα της σπιρομέτρησης. Η προτεινόμενη μέθοδος ποσοτικοποίησης του εμφυσήματος θα μπορούσε να χρησιμοποιηθεί ως εργαλείο υποβοήθησης του ειδικού ιατρού στη διάγνωση αλλά και στον καθορισμό του σταδίου της νόσου.","In the present study the development and evaluation of an image analysis system to assess the distribution and quantification of emphysema in lungs, is described. For emphysema detection, a pixel segmentation algorithm was implemented that was based on pattern recognition. Initially, representative features from predefined regions of interest (ROIs) by the expert radiologist were extracted. The minimum distance classifier (MDC), the k nearest neighbor classifier (kNN) and the probabilistic neural network classifier (PNN) were implemented and tested for classifying image pixels either to emphysema or to lung parenchyma regions. Quantification of emphysema, as computed by the proposed image analysis system, was associated with the corresponding results from the CT software and with the spirometry findings, which gives evidence for the functional state of lungs. Results show a significant correlation between emphysema quantification by the proposed system and by CT software. A negative correlation was found between the proposed image analysis system and the spirometry findings. The proposed method of emphysema quantification may be used as a second opinion tool aiding the physician in diagnosing and determining the stage of the disease."],"dc:identifier":["uoadl:1320532","https://pergamos.lib.uoa.gr/uoa/dl/object/1320532"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Υλοποίηση Συστήματος Υπολογιστικής Ποσοτικοποίησης του Πνευμονικού Εμφυσήματος σε Εικόνες Αξονικής Τομογραφίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:26Z"}