{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2872925"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2872925","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ταξινόμηση εικόνων ασύρματης ενδοσκόπησης με τη χρήση της μεθόδου Bag of Words","abstract":"Η ασύρματη ενδοσκόπηση, αποτελεί μία σχετικά καινούρια απεικονιστική μέθοδο,η οποία συμβάλλει σημαντικά στη διάγνωση ενός μεγάλου αριθμού ασθενειών του πεπτικού συστήματος. Το βασικό πρόβλημα που προκύπτει από τη μέθοδο αυτή, αφορά τον υψηλό αριθμό εικόνων που καλείται να εξετάσει ο θεράπων ιατρός προκειμένου να βγάλει τη σωστή διάγνωση. Η διαδικασία αυτή ενδέχεται να είναι αρκετά επίπονη, καθώς απαιτεί αρκετές ώρες αδιάκοπης προσοχής. Αυτή η διπλωματική εργασία, παρουσιάζει τη μέθοδο ταξινόμησης bag of words, η οποία ταξινομεί τις εικόνες αυτές σε διάφορες κατηγορίες ασθενειών, δίνοντας έτσι μία λύση στο ανωτέρω πρόβλημα. Η λογική της βασίζεται στον εντοπισμό περιοχών ενδιαφέροντος πάνω στις εικόνες, καθώς και στην εξαγωγή χαρακτηριστικών από τις περιοχές αυτές. Για την πραγματοποίηση των πειραμάτων χρησιμοποιήθηκαν 2 dataset. Αυτά ήταν το KID dataset 2, το οποίο περιέχει 8 κατηγορίες και το Normal-Abnormal σέτ, το οποίο αποτελεί μία παραλλαγή του KID dataset 2 και περιέχει μόνο 2 κατηγορίες. Τα πειράματα πραγματοποιήθηκαν σε προγραμματιστικό περιβάλλον MATLAB. Κατά την εκτέλεση τους δοκιμάστηκαν διαφορετικές μέθοδοι εξαγωγής χαρακτηριστικών, ενώ παράλληλα μετρήθηκαν τα ποσοστά ορθής ταξινόμησής των εικόνων τους για τις μεθόδους αυτές. Οι μέθοδοι εξαγωγής χαρακτηριστικών που χρησιμοποιήθηκαν ήταν όι : SIFT, RGB-SIFT, HSV-SIFT, Opponent-SIFT και HSV&Opponent SIFT (συνδυασμός). Εκτός από τις μεθόδους εξαγωγής χαρακτηριστικών, μεταξύ των πειραμάτων, μεταβάλλονταν συνεχώς και άλλες δύο μεταβλητές, διότι εξεταζόταν η επιρροή τους πάνω στα αποτελέσματα. Τα υψηλότερα αποτελέσματα τα πέτυχε η μέθοδος εξαγωγής χαρακτηριστικών HSV-SIFT, καθώς έδωσε μέγιστο ποσοστό ορθης ταξινόμησης 81.46% στο Normal-Abnormal σέτ και μέγιστο ποσοστό ορθής ταξινόμησης 47.92% στο KID dataset 2.","abstract_html":"Η ασύρματη ενδοσκόπηση, αποτελεί μία σχετικά καινούρια απεικονιστική μέθοδο,η οποία συμβάλλει σημαντικά στη διάγνωση ενός μεγάλου αριθμού ασθενειών του πεπτικού συστήματος. Το βασικό πρόβλημα που προκύπτει από τη μέθοδο αυτή, αφορά τον υψηλό αριθμό εικόνων που καλείται να εξετάσει ο θεράπων ιατρός προκειμένου να βγάλει τη σωστή διάγνωση. Η διαδικασία αυτή ενδέχεται να είναι αρκετά επίπονη, καθώς απαιτεί αρκετές ώρες αδιάκοπης προσοχής. Αυτή η διπλωματική εργασία, παρουσιάζει τη μέθοδο ταξινόμησης bag of words, η οποία ταξινομεί τις εικόνες αυτές σε διάφορες κατηγορίες ασθενειών, δίνοντας έτσι μία λύση στο ανωτέρω πρόβλημα. Η λογική της βασίζεται στον εντοπισμό περιοχών ενδιαφέροντος πάνω στις εικόνες, καθώς και στην εξαγωγή χαρακτηριστικών από τις περιοχές αυτές. Για την πραγματοποίηση των πειραμάτων χρησιμοποιήθηκαν 2 dataset. Αυτά ήταν το KID dataset 2, το οποίο περιέχει 8 κατηγορίες και το Normal-Abnormal σέτ, το οποίο αποτελεί μία παραλλαγή του KID dataset 2 και περιέχει μόνο 2 κατηγορίες. Τα πειράματα πραγματοποιήθηκαν σε προγραμματιστικό περιβάλλον MATLAB. Κατά την εκτέλεση τους δοκιμάστηκαν διαφορετικές μέθοδοι εξαγωγής χαρακτηριστικών, ενώ παράλληλα μετρήθηκαν τα ποσοστά ορθής ταξινόμησής των εικόνων τους για τις μεθόδους αυτές. Οι μέθοδοι εξαγωγής χαρακτηριστικών που χρησιμοποιήθηκαν ήταν όι : SIFT, RGB-SIFT, HSV-SIFT, Opponent-SIFT και HSV&amp;Opponent SIFT (συνδυασμός). Εκτός από τις μεθόδους εξαγωγής χαρακτηριστικών, μεταξύ των πειραμάτων, μεταβάλλονταν συνεχώς και άλλες δύο μεταβλητές, διότι εξεταζόταν η επιρροή τους πάνω στα αποτελέσματα. Τα υψηλότερα αποτελέσματα τα πέτυχε η μέθοδος εξαγωγής χαρακτηριστικών HSV-SIFT, καθώς έδωσε μέγιστο ποσοστό ορθης ταξινόμησης 81.46% στο Normal-Abnormal σέτ και μέγιστο ποσοστό ορθής ταξινόμησης 47.92% στο KID dataset 2.","abstract_has_math":false,"creators":["Λούτς Ιωσήφ","Louts Iosif"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:35:02Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2872925"],"render_values":[{"text":"uoadl:2872925","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2872925","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2872925","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%3A2872925","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λούτς Ιωσήφ","Louts Iosif"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"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:2872925","https://pergamos.lib.uoa.gr/uoa/dl/object/2872925"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ασύρματη ενδοσκόπηση, αποτελεί μία σχετικά καινούρια απεικονιστική μέθοδο,η οποία συμβάλλει σημαντικά στη διάγνωση ενός μεγάλου αριθμού ασθενειών του πεπτικού συστήματος. Το βασικό πρόβλημα που προκύπτει από τη μέθοδο αυτή, αφορά τον υψηλό αριθμό εικόνων που καλείται να εξετάσει ο θεράπων ιατρός προκειμένου να βγάλει τη σωστή διάγνωση. Η διαδικασία αυτή ενδέχεται να είναι αρκετά επίπονη, καθώς απαιτεί αρκετές ώρες αδιάκοπης προσοχής. Αυτή η διπλωματική εργασία, παρουσιάζει τη μέθοδο ταξινόμησης bag of words, η οποία ταξινομεί τις εικόνες αυτές σε διάφορες κατηγορίες ασθενειών, δίνοντας έτσι μία λύση στο ανωτέρω πρόβλημα. Η λογική της βασίζεται στον εντοπισμό περιοχών ενδιαφέροντος πάνω στις εικόνες, καθώς και στην εξαγωγή χαρακτηριστικών από τις περιοχές αυτές. Για την πραγματοποίηση των πειραμάτων χρησιμοποιήθηκαν 2 dataset. Αυτά ήταν το KID dataset 2, το οποίο περιέχει 8 κατηγορίες και το Normal-Abnormal σέτ, το οποίο αποτελεί μία παραλλαγή του KID dataset 2 και περιέχει μόνο 2 κατηγορίες. Τα πειράματα πραγματοποιήθηκαν σε προγραμματιστικό περιβάλλον MATLAB. Κατά την εκτέλεση τους δοκιμάστηκαν διαφορετικές μέθοδοι εξαγωγής χαρακτηριστικών, ενώ παράλληλα μετρήθηκαν τα ποσοστά ορθής ταξινόμησής των εικόνων τους για τις μεθόδους αυτές. Οι μέθοδοι εξαγωγής χαρακτηριστικών που χρησιμοποιήθηκαν ήταν όι : SIFT, RGB-SIFT, HSV-SIFT, Opponent-SIFT και HSV&Opponent SIFT (συνδυασμός). Εκτός από τις μεθόδους εξαγωγής χαρακτηριστικών, μεταξύ των πειραμάτων, μεταβάλλονταν συνεχώς και άλλες δύο μεταβλητές, διότι εξεταζόταν η επιρροή τους πάνω στα αποτελέσματα. Τα υψηλότερα αποτελέσματα τα πέτυχε η μέθοδος εξαγωγής χαρακτηριστικών HSV-SIFT, καθώς έδωσε μέγιστο ποσοστό ορθης ταξινόμησης 81.46% στο Normal-Abnormal σέτ και μέγιστο ποσοστό ορθής ταξινόμησης 47.92% στο KID dataset 2.","Wireless endoscopy is a relatively new imaging method, which highly contributes to the diagnosis of many digestive system diseases. The main problem of this method, concerns the huge number of images that the clinician has to examine, in order to end up with the right diagnosis. This procedure may be very tiresome for the clinician, because it requires many hours of uninterrupted attention. This master thesis, offers a solution to the aforementioned problem, by presenting the bag of words classification method, which can classify those images in categories, according to the disease that they depict. This method is based on the detection of regions of interests in images. Once regions of interest are found, features will be extracted from those regions. Those features are the abbreviated representation of an image. Two major datasets were used for the experiments conduction. The first is KID dataset 2, which contains 8 categories and the second is the Normal-Abnormal set which contains only 2 categories. The experiments were conducted in MATLAB programming environment. During the experiments, many feature extraction methods were used and their results were evaluated. Those methods were: SIFT, RGB-SIFT HSV-SIFT, Opponent-SIFT and HSV&Opponent SIFT (Combination). Apart from those methods, two more variables were constantly changing their values between the experiments, in order to conclude if they had any impact on the results. HSV-SIFT extraction method presented the highest results, as it has reached 81.46% classification percentage in Normal-Abnormal set, and 47.92% in KID dataset 2."]},{"key":"dc:title","label":"Title","values":["Ταξινόμηση εικόνων ασύρματης ενδοσκόπησης με τη χρήση της μεθόδου Bag of Words"]}]}],"canonical_facts":{"dc:creator":["Λούτς Ιωσήφ","Louts Iosif"],"dc:date":["2019"],"dc:description":["Η ασύρματη ενδοσκόπηση, αποτελεί μία σχετικά καινούρια απεικονιστική μέθοδο,η οποία συμβάλλει σημαντικά στη διάγνωση ενός μεγάλου αριθμού ασθενειών του πεπτικού συστήματος. Το βασικό πρόβλημα που προκύπτει από τη μέθοδο αυτή, αφορά τον υψηλό αριθμό εικόνων που καλείται να εξετάσει ο θεράπων ιατρός προκειμένου να βγάλει τη σωστή διάγνωση. Η διαδικασία αυτή ενδέχεται να είναι αρκετά επίπονη, καθώς απαιτεί αρκετές ώρες αδιάκοπης προσοχής. Αυτή η διπλωματική εργασία, παρουσιάζει τη μέθοδο ταξινόμησης bag of words, η οποία ταξινομεί τις εικόνες αυτές σε διάφορες κατηγορίες ασθενειών, δίνοντας έτσι μία λύση στο ανωτέρω πρόβλημα. Η λογική της βασίζεται στον εντοπισμό περιοχών ενδιαφέροντος πάνω στις εικόνες, καθώς και στην εξαγωγή χαρακτηριστικών από τις περιοχές αυτές. Για την πραγματοποίηση των πειραμάτων χρησιμοποιήθηκαν 2 dataset. Αυτά ήταν το KID dataset 2, το οποίο περιέχει 8 κατηγορίες και το Normal-Abnormal σέτ, το οποίο αποτελεί μία παραλλαγή του KID dataset 2 και περιέχει μόνο 2 κατηγορίες. Τα πειράματα πραγματοποιήθηκαν σε προγραμματιστικό περιβάλλον MATLAB. Κατά την εκτέλεση τους δοκιμάστηκαν διαφορετικές μέθοδοι εξαγωγής χαρακτηριστικών, ενώ παράλληλα μετρήθηκαν τα ποσοστά ορθής ταξινόμησής των εικόνων τους για τις μεθόδους αυτές. Οι μέθοδοι εξαγωγής χαρακτηριστικών που χρησιμοποιήθηκαν ήταν όι : SIFT, RGB-SIFT, HSV-SIFT, Opponent-SIFT και HSV&Opponent SIFT (συνδυασμός). Εκτός από τις μεθόδους εξαγωγής χαρακτηριστικών, μεταξύ των πειραμάτων, μεταβάλλονταν συνεχώς και άλλες δύο μεταβλητές, διότι εξεταζόταν η επιρροή τους πάνω στα αποτελέσματα. Τα υψηλότερα αποτελέσματα τα πέτυχε η μέθοδος εξαγωγής χαρακτηριστικών HSV-SIFT, καθώς έδωσε μέγιστο ποσοστό ορθης ταξινόμησης 81.46% στο Normal-Abnormal σέτ και μέγιστο ποσοστό ορθής ταξινόμησης 47.92% στο KID dataset 2.","Wireless endoscopy is a relatively new imaging method, which highly contributes to the diagnosis of many digestive system diseases. The main problem of this method, concerns the huge number of images that the clinician has to examine, in order to end up with the right diagnosis. This procedure may be very tiresome for the clinician, because it requires many hours of uninterrupted attention. This master thesis, offers a solution to the aforementioned problem, by presenting the bag of words classification method, which can classify those images in categories, according to the disease that they depict. This method is based on the detection of regions of interests in images. Once regions of interest are found, features will be extracted from those regions. Those features are the abbreviated representation of an image. Two major datasets were used for the experiments conduction. The first is KID dataset 2, which contains 8 categories and the second is the Normal-Abnormal set which contains only 2 categories. The experiments were conducted in MATLAB programming environment. During the experiments, many feature extraction methods were used and their results were evaluated. Those methods were: SIFT, RGB-SIFT HSV-SIFT, Opponent-SIFT and HSV&Opponent SIFT (Combination). Apart from those methods, two more variables were constantly changing their values between the experiments, in order to conclude if they had any impact on the results. HSV-SIFT extraction method presented the highest results, as it has reached 81.46% classification percentage in Normal-Abnormal set, and 47.92% in KID dataset 2."],"dc:identifier":["uoadl:2872925","https://pergamos.lib.uoa.gr/uoa/dl/object/2872925"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ταξινόμηση εικόνων ασύρματης ενδοσκόπησης με τη χρήση της μεθόδου Bag of Words"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:35:02Z"}