{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2896736"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2896736","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη και αξιολόγηση συνελικτικών νευρωνικών δικτύων για την κατηγοριοποίηση ιατρικών εικόνων","abstract":"Στην παρούσα διπλωματική εργασία εκθέτουμε τα βασικά στοιχεία της θεωρίας των νευρωνικών δικτύων με έμφαση στα συνελικτικά νευρωνικά δίκτυα και με κύριο σκοπό μας τη μελέτη της κατηγοριοποίησης ιατρικών εικόνων. Πιο συγκεκριμένα χρησιμοποιήθηκαν εικόνες καρκίνου του μαστού που αφορούν σε πορογενές διηθητικό καρκίνωμα, οι οποίες επιθυμούμε να διαχωριστούν σε θετικές και αρνητικές στην ύπαρξη όγκου. Η υλοποίηση του αλγόριθμου βασίζεται στην τεχνολογία των συνελικτικών νευρωνικών δικτύων (ΣΝΔ) με μεγάλο βάθος. Τα ΣΝΔ παίρνουν ως είσοδο εικόνες και ανακαλύπτουν συγκεκριμένες πληροφορίες ή χαρακτηριστικά από τα δεδομένα, χωρίς ανθρώπινη παρέμβαση για το τι θεωρούμε σημαντικό για να διαχωριστούν οι εικόνες στις κατηγορίες που ανήκουν. Τα ΣΝΔ μπορούν να έχουν διάφορες αρχιτεκτονικές με διαφορετικό βάθος, διαφορετικό πλήθος συνελίξεων, διαφορετικές συναρτήσεις ενεργοποίησης και πολλές άλλες παραμέτρους και τεχνολογίες. Συνεπώς τα τελευταία χρόνια μεγάλος όγκος έρευνας γίνεται για την ανακάλυψη αρχιτεκτονικών που είναι οι πλέον κατάλληλες για την κατηγοριοποίηση ιατρικών εικόνων. Στην παρούσα εργασία διερευνούμε ποιοτικά εννέα τροποποιήσεις σε μια βραβευμένη αρχιτεκτονική συνελικτικών δικτύων, την VGG16. Σκοπός μας είναι να βελτιώσουμε την ακρίβεια στην κατηγοριοποίηση της συγκεκριμένης κατηγορίας εικόνων, άλλα παράλληλα να κατανοήσουμε βαθύτερα τις δομικές παραμέτρους της αρχιτεκτονικής των ΣΝΔ, για ταχύτερη και πλέον αξιόπιστη εκπαίδευση αντίστοιχων δικτύων για παρόμοια προβλήματα. Επίσης εξετάζουμε τη μεταφοράς γνώσης από ήδη εκπαιδευμένα δίκτυα σε διαφορετικού είδους προβλήματα ώστε να βελτιώσουμε την ακρίβεια στο προαναφερθέν πρόβλημα που πραγματεύεται η παρούσα εργασία.","abstract_html":"Στην παρούσα διπλωματική εργασία εκθέτουμε τα βασικά στοιχεία της θεωρίας των νευρωνικών δικτύων με έμφαση στα συνελικτικά νευρωνικά δίκτυα και με κύριο σκοπό μας τη μελέτη της κατηγοριοποίησης ιατρικών εικόνων. Πιο συγκεκριμένα χρησιμοποιήθηκαν εικόνες καρκίνου του μαστού που αφορούν σε πορογενές διηθητικό καρκίνωμα, οι οποίες επιθυμούμε να διαχωριστούν σε θετικές και αρνητικές στην ύπαρξη όγκου. Η υλοποίηση του αλγόριθμου βασίζεται στην τεχνολογία των συνελικτικών νευρωνικών δικτύων (ΣΝΔ) με μεγάλο βάθος. Τα ΣΝΔ παίρνουν ως είσοδο εικόνες και ανακαλύπτουν συγκεκριμένες πληροφορίες ή χαρακτηριστικά από τα δεδομένα, χωρίς ανθρώπινη παρέμβαση για το τι θεωρούμε σημαντικό για να διαχωριστούν οι εικόνες στις κατηγορίες που ανήκουν. Τα ΣΝΔ μπορούν να έχουν διάφορες αρχιτεκτονικές με διαφορετικό βάθος, διαφορετικό πλήθος συνελίξεων, διαφορετικές συναρτήσεις ενεργοποίησης και πολλές άλλες παραμέτρους και τεχνολογίες. Συνεπώς τα τελευταία χρόνια μεγάλος όγκος έρευνας γίνεται για την ανακάλυψη αρχιτεκτονικών που είναι οι πλέον κατάλληλες για την κατηγοριοποίηση ιατρικών εικόνων. Στην παρούσα εργασία διερευνούμε ποιοτικά εννέα τροποποιήσεις σε μια βραβευμένη αρχιτεκτονική συνελικτικών δικτύων, την VGG16. Σκοπός μας είναι να βελτιώσουμε την ακρίβεια στην κατηγοριοποίηση της συγκεκριμένης κατηγορίας εικόνων, άλλα παράλληλα να κατανοήσουμε βαθύτερα τις δομικές παραμέτρους της αρχιτεκτονικής των ΣΝΔ, για ταχύτερη και πλέον αξιόπιστη εκπαίδευση αντίστοιχων δικτύων για παρόμοια προβλήματα. Επίσης εξετάζουμε τη μεταφοράς γνώσης από ήδη εκπαιδευμένα δίκτυα σε διαφορετικού είδους προβλήματα ώστε να βελτιώσουμε την ακρίβεια στο προαναφερθέν πρόβλημα που πραγματεύεται η παρούσα εργασία.","abstract_has_math":false,"creators":["Γιαννούλης Γεώργιος","Giannoulis Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:37:38Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2896736"],"render_values":[{"text":"uoadl:2896736","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2896736","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2896736","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%3A2896736","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γιαννούλης Γεώργιος","Giannoulis Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"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:2896736","https://pergamos.lib.uoa.gr/uoa/dl/object/2896736"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα διπλωματική εργασία εκθέτουμε τα βασικά στοιχεία της θεωρίας των νευρωνικών δικτύων με έμφαση στα συνελικτικά νευρωνικά δίκτυα και με κύριο σκοπό μας τη μελέτη της κατηγοριοποίησης ιατρικών εικόνων. Πιο συγκεκριμένα χρησιμοποιήθηκαν εικόνες καρκίνου του μαστού που αφορούν σε πορογενές διηθητικό καρκίνωμα, οι οποίες επιθυμούμε να διαχωριστούν σε θετικές και αρνητικές στην ύπαρξη όγκου. Η υλοποίηση του αλγόριθμου βασίζεται στην τεχνολογία των συνελικτικών νευρωνικών δικτύων (ΣΝΔ) με μεγάλο βάθος. Τα ΣΝΔ παίρνουν ως είσοδο εικόνες και ανακαλύπτουν συγκεκριμένες πληροφορίες ή χαρακτηριστικά από τα δεδομένα, χωρίς ανθρώπινη παρέμβαση για το τι θεωρούμε σημαντικό για να διαχωριστούν οι εικόνες στις κατηγορίες που ανήκουν. Τα ΣΝΔ μπορούν να έχουν διάφορες αρχιτεκτονικές με διαφορετικό βάθος, διαφορετικό πλήθος συνελίξεων, διαφορετικές συναρτήσεις ενεργοποίησης και πολλές άλλες παραμέτρους και τεχνολογίες. Συνεπώς τα τελευταία χρόνια μεγάλος όγκος έρευνας γίνεται για την ανακάλυψη αρχιτεκτονικών που είναι οι πλέον κατάλληλες για την κατηγοριοποίηση ιατρικών εικόνων. Στην παρούσα εργασία διερευνούμε ποιοτικά εννέα τροποποιήσεις σε μια βραβευμένη αρχιτεκτονική συνελικτικών δικτύων, την VGG16. Σκοπός μας είναι να βελτιώσουμε την ακρίβεια στην κατηγοριοποίηση της συγκεκριμένης κατηγορίας εικόνων, άλλα παράλληλα να κατανοήσουμε βαθύτερα τις δομικές παραμέτρους της αρχιτεκτονικής των ΣΝΔ, για ταχύτερη και πλέον αξιόπιστη εκπαίδευση αντίστοιχων δικτύων για παρόμοια προβλήματα. Επίσης εξετάζουμε τη μεταφοράς γνώσης από ήδη εκπαιδευμένα δίκτυα σε διαφορετικού είδους προβλήματα ώστε να βελτιώσουμε την ακρίβεια στο προαναφερθέν πρόβλημα που πραγματεύεται η παρούσα εργασία.","In this diploma thesis we present basic elements of neural network theory with emphasis on convolutional neural networks (CNN) with the main aim of studying the categorization of medical images. In particular, breast cancer images of the Invasive Ductal Carcinoma (IDC). This form of breast cancer consists of 80% of the cases of breast cancer. We aim to separate given images of tissue regarding to being positive or negative on IDC. The implementation of the algorithms used, is based on the technology of CNN that exhibit a greater depth than used to be applied. CNN technology makes it possible to take a picture as input and discover specific information or features from the data the network deems important in order to separate the images into pre-specified categories that the images belong without any human input as to what differentiates the categories. CNNs come in very different architectures, with different depth, different plurality of convolutions, different activation functions as well as many other technologies and techniques. In recent years, therefore, a great deal of research has been made to discover the most suitable architectures. In the present study we qualitatively and quantitative explore 9 modifications to an award-winning neural network architecture, the VGG16. Our aim is to evaluate various structural and quality parameters of a CNN in relation with how should we train such networks for better and faster results. Also, we focus on the transfer of knowledge from already trained networks which solved a different set of problems."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη και αξιολόγηση συνελικτικών νευρωνικών δικτύων για την κατηγοριοποίηση ιατρικών εικόνων"]}]}],"canonical_facts":{"dc:creator":["Γιαννούλης Γεώργιος","Giannoulis Georgios"],"dc:date":["2020"],"dc:description":["Στην παρούσα διπλωματική εργασία εκθέτουμε τα βασικά στοιχεία της θεωρίας των νευρωνικών δικτύων με έμφαση στα συνελικτικά νευρωνικά δίκτυα και με κύριο σκοπό μας τη μελέτη της κατηγοριοποίησης ιατρικών εικόνων. Πιο συγκεκριμένα χρησιμοποιήθηκαν εικόνες καρκίνου του μαστού που αφορούν σε πορογενές διηθητικό καρκίνωμα, οι οποίες επιθυμούμε να διαχωριστούν σε θετικές και αρνητικές στην ύπαρξη όγκου. Η υλοποίηση του αλγόριθμου βασίζεται στην τεχνολογία των συνελικτικών νευρωνικών δικτύων (ΣΝΔ) με μεγάλο βάθος. Τα ΣΝΔ παίρνουν ως είσοδο εικόνες και ανακαλύπτουν συγκεκριμένες πληροφορίες ή χαρακτηριστικά από τα δεδομένα, χωρίς ανθρώπινη παρέμβαση για το τι θεωρούμε σημαντικό για να διαχωριστούν οι εικόνες στις κατηγορίες που ανήκουν. Τα ΣΝΔ μπορούν να έχουν διάφορες αρχιτεκτονικές με διαφορετικό βάθος, διαφορετικό πλήθος συνελίξεων, διαφορετικές συναρτήσεις ενεργοποίησης και πολλές άλλες παραμέτρους και τεχνολογίες. Συνεπώς τα τελευταία χρόνια μεγάλος όγκος έρευνας γίνεται για την ανακάλυψη αρχιτεκτονικών που είναι οι πλέον κατάλληλες για την κατηγοριοποίηση ιατρικών εικόνων. Στην παρούσα εργασία διερευνούμε ποιοτικά εννέα τροποποιήσεις σε μια βραβευμένη αρχιτεκτονική συνελικτικών δικτύων, την VGG16. Σκοπός μας είναι να βελτιώσουμε την ακρίβεια στην κατηγοριοποίηση της συγκεκριμένης κατηγορίας εικόνων, άλλα παράλληλα να κατανοήσουμε βαθύτερα τις δομικές παραμέτρους της αρχιτεκτονικής των ΣΝΔ, για ταχύτερη και πλέον αξιόπιστη εκπαίδευση αντίστοιχων δικτύων για παρόμοια προβλήματα. Επίσης εξετάζουμε τη μεταφοράς γνώσης από ήδη εκπαιδευμένα δίκτυα σε διαφορετικού είδους προβλήματα ώστε να βελτιώσουμε την ακρίβεια στο προαναφερθέν πρόβλημα που πραγματεύεται η παρούσα εργασία.","In this diploma thesis we present basic elements of neural network theory with emphasis on convolutional neural networks (CNN) with the main aim of studying the categorization of medical images. In particular, breast cancer images of the Invasive Ductal Carcinoma (IDC). This form of breast cancer consists of 80% of the cases of breast cancer. We aim to separate given images of tissue regarding to being positive or negative on IDC. The implementation of the algorithms used, is based on the technology of CNN that exhibit a greater depth than used to be applied. CNN technology makes it possible to take a picture as input and discover specific information or features from the data the network deems important in order to separate the images into pre-specified categories that the images belong without any human input as to what differentiates the categories. CNNs come in very different architectures, with different depth, different plurality of convolutions, different activation functions as well as many other technologies and techniques. In recent years, therefore, a great deal of research has been made to discover the most suitable architectures. In the present study we qualitatively and quantitative explore 9 modifications to an award-winning neural network architecture, the VGG16. Our aim is to evaluate various structural and quality parameters of a CNN in relation with how should we train such networks for better and faster results. Also, we focus on the transfer of knowledge from already trained networks which solved a different set of problems."],"dc:identifier":["uoadl:2896736","https://pergamos.lib.uoa.gr/uoa/dl/object/2896736"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάπτυξη και αξιολόγηση συνελικτικών νευρωνικών δικτύων για την κατηγοριοποίηση ιατρικών εικόνων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:37:38Z"}