{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320603"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320603","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Υπολογιστικό σύστημα υποβοήθησης διάγνωσης για τον διαχωρισμό άτυπων καλοηθών σπίλων από κακοήθη μελανώματα με χρήση ψηφιακών δερματολογικών εικόνων και αλγορίθμων επεξεργασίας και ανάλυσης εικόνας","abstract":"Εισαγωγή: Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και η ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τον διαχωρισμό μεταξύ καλοηθών άτυπων σπίλων και κακοηθών μελανωμάτων από ψηφιακές δερματολογικές εικόνες, με την βοήθεια τεχνικών επεξεργασίας εικόνας και αναγνώρισης προτύπων. Υλικό: Χρησιμοποιήθηκαν 88 εικόνες δερματολογικών αλλοιώσεων (44 άτυπους σπίλους και 44 κακοήθη μελανώματα). Μέθοδοι: Υλοποιήθηκαν τα παρακάτω τέσσερα βασικά στάδια: α/ το στάδιο της προ- επεξεργασίας για την ανίχνευση και αφαίρεση των τριχών, με χρήση των αλγορίθμων προσαρμοζόμενης κατωφλίωσης και παρεμβολής μέσης τιμής. β/ το στάδιο της τμηματοποίησης στο οποίο δοκιμάστηκαν οι αλγόριθμοι Hysteresis, Otsu και ενεργά περιγράμματα. γ/ το στάδιο εξαγωγής χαρακτηριστικών (υφής 1ης και 2ης τάξης και μορφολογικά χαρακτηριστικά). δ/ το στάδιο αναγνώρισης προτύπων που σχεδιάστηκε έτσι ώστε να προβλέπει την καλοήθεια ή κακοήθεια της δερματολογικής αλλοίωσης με ταξινομητές τους Πιθανοκρατικά Νευρωνικά Δίκτυα (PNN), K- Πλησιέστερων- Γειτόνων, Bayes, Ελάχιστης Απόστασης και Support Vector Machine. Ο βέλτιστος συνδυασμός χαρακτηριστικών βρέθηκε με χρήση της μεθόδου εξαντλητικής αναζήτησης. Το σύστημα αξιολογήθηκε με την μέθοδο Leave-One-Out. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με την μέθοδο External Cross Validation. Αποτελέσματα: Το προτεινόμενο σύστημα παρουσίασε την μεγαλύτερη ακρίβεια ταξινόμησης (86%) για το σετ τμηματοποιημένων δεδομένων που προέκυψε από τα ενεργά περιγράμματα, χρησιμοποιώντας τον ταξινομητή PNN. Η ακρίβεια ταξινόμησης «αγνώστων» δεδομένων με την External Cross Validation υπολογίστηκε στο 77% ± 8%. Συζήτηση: Το προτεινόμενο σύστημα θα μπορούσε να χρησιμοποιηθεί για την υποβοήθηση διάγνωσης κακοηθών ή καλοηθών δερματικών αλλοιώσεων.","abstract_html":"Εισαγωγή: Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και η ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τον διαχωρισμό μεταξύ καλοηθών άτυπων σπίλων και κακοηθών μελανωμάτων από ψηφιακές δερματολογικές εικόνες, με την βοήθεια τεχνικών επεξεργασίας εικόνας και αναγνώρισης προτύπων. Υλικό: Χρησιμοποιήθηκαν 88 εικόνες δερματολογικών αλλοιώσεων (44 άτυπους σπίλους και 44 κακοήθη μελανώματα). Μέθοδοι: Υλοποιήθηκαν τα παρακάτω τέσσερα βασικά στάδια: α/ το στάδιο της προ- επεξεργασίας για την ανίχνευση και αφαίρεση των τριχών, με χρήση των αλγορίθμων προσαρμοζόμενης κατωφλίωσης και παρεμβολής μέσης τιμής. β/ το στάδιο της τμηματοποίησης στο οποίο δοκιμάστηκαν οι αλγόριθμοι Hysteresis, Otsu και ενεργά περιγράμματα. γ/ το στάδιο εξαγωγής χαρακτηριστικών (υφής 1ης και 2ης τάξης και μορφολογικά χαρακτηριστικά). δ/ το στάδιο αναγνώρισης προτύπων που σχεδιάστηκε έτσι ώστε να προβλέπει την καλοήθεια ή κακοήθεια της δερματολογικής αλλοίωσης με ταξινομητές τους Πιθανοκρατικά Νευρωνικά Δίκτυα (PNN), K- Πλησιέστερων- Γειτόνων, Bayes, Ελάχιστης Απόστασης και Support Vector Machine. Ο βέλτιστος συνδυασμός χαρακτηριστικών βρέθηκε με χρήση της μεθόδου εξαντλητικής αναζήτησης. Το σύστημα αξιολογήθηκε με την μέθοδο Leave-One-Out. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με την μέθοδο External Cross Validation. Αποτελέσματα: Το προτεινόμενο σύστημα παρουσίασε την μεγαλύτερη ακρίβεια ταξινόμησης (86%) για το σετ τμηματοποιημένων δεδομένων που προέκυψε από τα ενεργά περιγράμματα, χρησιμοποιώντας τον ταξινομητή PNN. Η ακρίβεια ταξινόμησης «αγνώστων» δεδομένων με την External Cross Validation υπολογίστηκε στο 77% ± 8%. Συζήτηση: Το προτεινόμενο σύστημα θα μπορούσε να χρησιμοποιηθεί για την υποβοήθηση διάγνωσης κακοηθών ή καλοηθών δερματικών αλλοιώσεων.","abstract_has_math":false,"creators":["Λαλισσίδου Στέλλα"],"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":"2026-11-19T05:26:28Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320603"],"render_values":[{"text":"uoadl:1320603","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320603","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320603","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%3A1320603","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λαλισσίδου Στέλλα"]}]},{"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:1320603","https://pergamos.lib.uoa.gr/uoa/dl/object/1320603"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και η ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τον διαχωρισμό μεταξύ καλοηθών άτυπων σπίλων και κακοηθών μελανωμάτων από ψηφιακές δερματολογικές εικόνες, με την βοήθεια τεχνικών επεξεργασίας εικόνας και αναγνώρισης προτύπων. Υλικό: Χρησιμοποιήθηκαν 88 εικόνες δερματολογικών αλλοιώσεων (44 άτυπους σπίλους και 44 κακοήθη μελανώματα). Μέθοδοι: Υλοποιήθηκαν τα παρακάτω τέσσερα βασικά στάδια: α/ το στάδιο της προ- επεξεργασίας για την ανίχνευση και αφαίρεση των τριχών, με χρήση των αλγορίθμων προσαρμοζόμενης κατωφλίωσης και παρεμβολής μέσης τιμής. β/ το στάδιο της τμηματοποίησης στο οποίο δοκιμάστηκαν οι αλγόριθμοι Hysteresis, Otsu και ενεργά περιγράμματα. γ/ το στάδιο εξαγωγής χαρακτηριστικών (υφής 1ης και 2ης τάξης και μορφολογικά χαρακτηριστικά). δ/ το στάδιο αναγνώρισης προτύπων που σχεδιάστηκε έτσι ώστε να προβλέπει την καλοήθεια ή κακοήθεια της δερματολογικής αλλοίωσης με ταξινομητές τους Πιθανοκρατικά Νευρωνικά Δίκτυα (PNN), K- Πλησιέστερων- Γειτόνων, Bayes, Ελάχιστης Απόστασης και Support Vector Machine. Ο βέλτιστος συνδυασμός χαρακτηριστικών βρέθηκε με χρήση της μεθόδου εξαντλητικής αναζήτησης. Το σύστημα αξιολογήθηκε με την μέθοδο Leave-One-Out. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με την μέθοδο External Cross Validation. Αποτελέσματα: Το προτεινόμενο σύστημα παρουσίασε την μεγαλύτερη ακρίβεια ταξινόμησης (86%) για το σετ τμηματοποιημένων δεδομένων που προέκυψε από τα ενεργά περιγράμματα, χρησιμοποιώντας τον ταξινομητή PNN. Η ακρίβεια ταξινόμησης «αγνώστων» δεδομένων με την External Cross Validation υπολογίστηκε στο 77% ± 8%. Συζήτηση: Το προτεινόμενο σύστημα θα μπορούσε να χρησιμοποιηθεί για την υποβοήθηση διάγνωσης κακοηθών ή καλοηθών δερματικών αλλοιώσεων.","Introduction: The aim of the present thesis was the development of a computer-aided diagnosis (CAD) system for the discrimination between benign atypical nevi and malignant melanomas on digital dermatological images using image processing and pattern recognition algorithms. Data: 88 skin images were used as an input into the proposed system (44 benign clark nevi and 44 malignant melanomas). Methods: Four basic steps were implemented: a/the preprocessing step, where the skin lesion hair pixels were detected and removed by the adaptive thresholding and mean-value interpolation methods. b/ The segmentation step, where the Hysteresis, Otsu and the active contours algorithms were implemented. c/ The feature extraction step (1st and 2nd order textural and morphological features). d/ The pattern recognition step that was designed to predict the dermatological lesion’s category (benign or malignant). The implemented classifiers were: Probabilistic Neural Network (PNN), K-Nearest-Neighbors, Bayes, Minimum Distance Classifier and Support Vector Machine. The optimum feature combination was found using the exhaustive search method. The proposed system was evaluated by the Leave-One-Out method. The system’s performance in ‘unknown’ data was evaluated by the External Cross Validation method. Results: The proposed system presented the highest classification accuracy (86%) for the active contours’ dataset, using the PNN classifier. The “unknown” data classification accuracy was estimated 77% ± 8% by the External Cross Validation method. Discussion: The proposed system can be used to assist the diagnosis of malignant or benign skin lesions."]},{"key":"dc:title","label":"Title","values":["Υπολογιστικό σύστημα υποβοήθησης διάγνωσης για τον διαχωρισμό άτυπων καλοηθών σπίλων από κακοήθη μελανώματα με χρήση ψηφιακών δερματολογικών εικόνων και αλγορίθμων επεξεργασίας και ανάλυσης εικόνας"]}]}],"canonical_facts":{"dc:creator":["Λαλισσίδου Στέλλα"],"dc:date":["2014"],"dc:description":["Εισαγωγή: Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη και η ανάπτυξη ενός υπολογιστικού συστήματος υποβοήθησης διάγνωσης για τον διαχωρισμό μεταξύ καλοηθών άτυπων σπίλων και κακοηθών μελανωμάτων από ψηφιακές δερματολογικές εικόνες, με την βοήθεια τεχνικών επεξεργασίας εικόνας και αναγνώρισης προτύπων. Υλικό: Χρησιμοποιήθηκαν 88 εικόνες δερματολογικών αλλοιώσεων (44 άτυπους σπίλους και 44 κακοήθη μελανώματα). Μέθοδοι: Υλοποιήθηκαν τα παρακάτω τέσσερα βασικά στάδια: α/ το στάδιο της προ- επεξεργασίας για την ανίχνευση και αφαίρεση των τριχών, με χρήση των αλγορίθμων προσαρμοζόμενης κατωφλίωσης και παρεμβολής μέσης τιμής. β/ το στάδιο της τμηματοποίησης στο οποίο δοκιμάστηκαν οι αλγόριθμοι Hysteresis, Otsu και ενεργά περιγράμματα. γ/ το στάδιο εξαγωγής χαρακτηριστικών (υφής 1ης και 2ης τάξης και μορφολογικά χαρακτηριστικά). δ/ το στάδιο αναγνώρισης προτύπων που σχεδιάστηκε έτσι ώστε να προβλέπει την καλοήθεια ή κακοήθεια της δερματολογικής αλλοίωσης με ταξινομητές τους Πιθανοκρατικά Νευρωνικά Δίκτυα (PNN), K- Πλησιέστερων- Γειτόνων, Bayes, Ελάχιστης Απόστασης και Support Vector Machine. Ο βέλτιστος συνδυασμός χαρακτηριστικών βρέθηκε με χρήση της μεθόδου εξαντλητικής αναζήτησης. Το σύστημα αξιολογήθηκε με την μέθοδο Leave-One-Out. Η απόδοση του συστήματος σε «άγνωστα» δεδομένα εκτιμήθηκε με την μέθοδο External Cross Validation. Αποτελέσματα: Το προτεινόμενο σύστημα παρουσίασε την μεγαλύτερη ακρίβεια ταξινόμησης (86%) για το σετ τμηματοποιημένων δεδομένων που προέκυψε από τα ενεργά περιγράμματα, χρησιμοποιώντας τον ταξινομητή PNN. Η ακρίβεια ταξινόμησης «αγνώστων» δεδομένων με την External Cross Validation υπολογίστηκε στο 77% ± 8%. Συζήτηση: Το προτεινόμενο σύστημα θα μπορούσε να χρησιμοποιηθεί για την υποβοήθηση διάγνωσης κακοηθών ή καλοηθών δερματικών αλλοιώσεων.","Introduction: The aim of the present thesis was the development of a computer-aided diagnosis (CAD) system for the discrimination between benign atypical nevi and malignant melanomas on digital dermatological images using image processing and pattern recognition algorithms. Data: 88 skin images were used as an input into the proposed system (44 benign clark nevi and 44 malignant melanomas). Methods: Four basic steps were implemented: a/the preprocessing step, where the skin lesion hair pixels were detected and removed by the adaptive thresholding and mean-value interpolation methods. b/ The segmentation step, where the Hysteresis, Otsu and the active contours algorithms were implemented. c/ The feature extraction step (1st and 2nd order textural and morphological features). d/ The pattern recognition step that was designed to predict the dermatological lesion’s category (benign or malignant). The implemented classifiers were: Probabilistic Neural Network (PNN), K-Nearest-Neighbors, Bayes, Minimum Distance Classifier and Support Vector Machine. The optimum feature combination was found using the exhaustive search method. The proposed system was evaluated by the Leave-One-Out method. The system’s performance in ‘unknown’ data was evaluated by the External Cross Validation method. Results: The proposed system presented the highest classification accuracy (86%) for the active contours’ dataset, using the PNN classifier. The “unknown” data classification accuracy was estimated 77% ± 8% by the External Cross Validation method. Discussion: The proposed system can be used to assist the diagnosis of malignant or benign skin lesions."],"dc:identifier":["uoadl:1320603","https://pergamos.lib.uoa.gr/uoa/dl/object/1320603"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Υπολογιστικό σύστημα υποβοήθησης διάγνωσης για τον διαχωρισμό άτυπων καλοηθών σπίλων από κακοήθη μελανώματα με χρήση ψηφιακών δερματολογικών εικόνων και αλγορίθμων επεξεργασίας και ανάλυσης εικόνας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:28Z"}