{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2963221"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2963221","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Fractal tool; Calculating 3D fractal dimension of brain regions for a Dementia classification problem","abstract":"Η άνοια είναι ένα σύνδρομο που είναι κοινό στους ηλικιωμένους και ο ρυθμός εμφάνισής του αυξάνεται. Η πλειονότητα των μελετών επικεντρώνεται στην εύρεση βιοδεικτών για διάγνωση, ενώ η πρόληψη και η παρακολούθηση της ανάπτυξης είναι ακόμη ένα αδύνατο έργο. Σήμερα, η έρευνα για την άνοια περιορίζεται στη νευροαπεικόνιση, καθώς είναι μια μη επεμβατική τεχνολογία. Υπάρχει μια πληθώρα νευροαπεικονιστικών εργαλείων τα οποία βελτιστοποιούν την απεικόνιση μιας εισαγόμενης εικόνας μέσω της επεξεργασίας εικόνας ή ακόμη και συνεισφέρουν στη λήψη ιατρικών αποφάσεων μέσω της ανάλυσης της εικόνας. Ωστόσο, η ατροφία του εγκεφάλου στην άνοια δεν έχει ακόμη χαρακτηριστεί σωστά. Η νευροαπεικόνιση στοχεύει κυρίως στην παρακολούθηση της μείωσης του όγκου του εγκεφάλου και λιγότερο σε άλλες δομικές υφές. Τέτοια χαρακτηριστικά είναι η μορφοκλασματική διάσταση και η ύπαρξη κενών στις εγκαφαλικές δομές (lacunarity). Μερικά εργαλεία νευροαπεικόνισης υπολογίζουν τη διάσταση του φράκταλ και του lacunarity για ολόκληρο τον όγκο του εγκεφάλου. Ωστόσο, η λειτουργικότητά τους δεν περιλαμβάνει αυτοματοποιημένη εκτίμηση πολλαπλών εικόνων και, συνεπώς, δημιουργία συνόλων δεδομένων (datasets). Υπολογίζουν απλώς αυτά τα χαρακτηριστικά για συγκεκριμένες δομές, ενώ δεν εκτελούν τα απαραίτητα βήματα επεξεργασίας εικόνας. Δεδομένου ότι τα περισσότερα από αυτά τα εργαλεία εξειδικεύονται σε συγκεκριμένες εργασίες, δεν υπάρχει μια ολιστική μέθοδος που εισάγει πολλαπλά δεδομένα απεικόνισης και εξάγει μετρήσεις για τη μορφοκλασματική διάσταση και το lacunarity. Αυτή η μελέτη παρουσιάζει ένα εργαλείο γενικού σκοπού για την αυτοματοποιημένη επεξεργασία εικόνας, την τμηματοποίηση εικόνας, την εκτίμηση της μορφοκλασματική διάσταση, του lacunarity και άλλων υφών που προέρχονται από τον υπολογισμό της μορφοκλασματικής διάστασης. Τα εξαγόμενα αρχεία είναι σύνολα δεδομένων με τέτοιες μετρήσεις. Έπειτα γίνεται μια ταξινόμηση υγειών και ατόμων με άνοια η οποία επιβεβαιώνει τη χρησιμότητα του λογισμικού. Παρόλο που υπήρχαν περιορισμοί στην απόκτηση δεδομένων, πραγματοποιήθηκε αποτελεσματική ταξινόμηση με μηχανές διανυσματικής υποστήριξης. Για αρκετές περιοχές του εγκεφάλου, η ακρίβεια Fbeta score κυμαινόταν μεταξύ 95% και 100% υπερισχύοντας όλων των άλλων μεθόδων. Ωστόσο, η διάγνωση της άνοιας απαιτεί ένα μοντέλο που διαχωρίζει αποτελεσματικά τις περιοχές του εγκεφάλου για όλες τις κλάσεις. Σε αυτή τη διατριβή, εκπαιδεύτηκαν δύο τέτοια μοντέλα, ένα κάθε ομάδα. Παρ 'όλα αυτά, τα τελικά αποτελέσματα αναδεικνύουν την αναγκαιότητα των μορφοκλασματικών ιδιοτήτων ως εργαλείο για τη ταξινόμηση των σταδίων της άνοιας και τη παρακολούθηση της ανάπτυξης της άνοιας. Επίσης, η χρήση του λογισμικού μπορεί να επεκταθεί σε οποιοδήποτε πρόβλημα δομικής νευροαπεικόνισης όπως η ανίχνευση καρκίνου","abstract_html":"Η άνοια είναι ένα σύνδρομο που είναι κοινό στους ηλικιωμένους και ο ρυθμός εμφάνισής του αυξάνεται. Η πλειονότητα των μελετών επικεντρώνεται στην εύρεση βιοδεικτών για διάγνωση, ενώ η πρόληψη και η παρακολούθηση της ανάπτυξης είναι ακόμη ένα αδύνατο έργο. Σήμερα, η έρευνα για την άνοια περιορίζεται στη νευροαπεικόνιση, καθώς είναι μια μη επεμβατική τεχνολογία. Υπάρχει μια πληθώρα νευροαπεικονιστικών εργαλείων τα οποία βελτιστοποιούν την απεικόνιση μιας εισαγόμενης εικόνας μέσω της επεξεργασίας εικόνας ή ακόμη και συνεισφέρουν στη λήψη ιατρικών αποφάσεων μέσω της ανάλυσης της εικόνας. Ωστόσο, η ατροφία του εγκεφάλου στην άνοια δεν έχει ακόμη χαρακτηριστεί σωστά. Η νευροαπεικόνιση στοχεύει κυρίως στην παρακολούθηση της μείωσης του όγκου του εγκεφάλου και λιγότερο σε άλλες δομικές υφές. Τέτοια χαρακτηριστικά είναι η μορφοκλασματική διάσταση και η ύπαρξη κενών στις εγκαφαλικές δομές (lacunarity). Μερικά εργαλεία νευροαπεικόνισης υπολογίζουν τη διάσταση του φράκταλ και του lacunarity για ολόκληρο τον όγκο του εγκεφάλου. Ωστόσο, η λειτουργικότητά τους δεν περιλαμβάνει αυτοματοποιημένη εκτίμηση πολλαπλών εικόνων και, συνεπώς, δημιουργία συνόλων δεδομένων (datasets). Υπολογίζουν απλώς αυτά τα χαρακτηριστικά για συγκεκριμένες δομές, ενώ δεν εκτελούν τα απαραίτητα βήματα επεξεργασίας εικόνας. Δεδομένου ότι τα περισσότερα από αυτά τα εργαλεία εξειδικεύονται σε συγκεκριμένες εργασίες, δεν υπάρχει μια ολιστική μέθοδος που εισάγει πολλαπλά δεδομένα απεικόνισης και εξάγει μετρήσεις για τη μορφοκλασματική διάσταση και το lacunarity. Αυτή η μελέτη παρουσιάζει ένα εργαλείο γενικού σκοπού για την αυτοματοποιημένη επεξεργασία εικόνας, την τμηματοποίηση εικόνας, την εκτίμηση της μορφοκλασματική διάσταση, του lacunarity και άλλων υφών που προέρχονται από τον υπολογισμό της μορφοκλασματικής διάστασης. Τα εξαγόμενα αρχεία είναι σύνολα δεδομένων με τέτοιες μετρήσεις. Έπειτα γίνεται μια ταξινόμηση υγειών και ατόμων με άνοια η οποία επιβεβαιώνει τη χρησιμότητα του λογισμικού. Παρόλο που υπήρχαν περιορισμοί στην απόκτηση δεδομένων, πραγματοποιήθηκε αποτελεσματική ταξινόμηση με μηχανές διανυσματικής υποστήριξης. Για αρκετές περιοχές του εγκεφάλου, η ακρίβεια Fbeta score κυμαινόταν μεταξύ 95% και 100% υπερισχύοντας όλων των άλλων μεθόδων. Ωστόσο, η διάγνωση της άνοιας απαιτεί ένα μοντέλο που διαχωρίζει αποτελεσματικά τις περιοχές του εγκεφάλου για όλες τις κλάσεις. Σε αυτή τη διατριβή, εκπαιδεύτηκαν δύο τέτοια μοντέλα, ένα κάθε ομάδα. Παρ &#x27;όλα αυτά, τα τελικά αποτελέσματα αναδεικνύουν την αναγκαιότητα των μορφοκλασματικών ιδιοτήτων ως εργαλείο για τη ταξινόμηση των σταδίων της άνοιας και τη παρακολούθηση της ανάπτυξης της άνοιας. Επίσης, η χρήση του λογισμικού μπορεί να επεκταθεί σε οποιοδήποτε πρόβλημα δομικής νευροαπεικόνισης όπως η ανίχνευση καρκίνου","abstract_has_math":false,"creators":["Χατζηχρόνης Στυλιανός","Chatzichronis Stylianos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:43:57Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2963221"],"render_values":[{"text":"uoadl:2963221","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963221","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963221","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%3A2963221","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χατζηχρόνης Στυλιανός","Chatzichronis Stylianos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2963221","https://pergamos.lib.uoa.gr/uoa/dl/object/2963221"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η άνοια είναι ένα σύνδρομο που είναι κοινό στους ηλικιωμένους και ο ρυθμός εμφάνισής του αυξάνεται. Η πλειονότητα των μελετών επικεντρώνεται στην εύρεση βιοδεικτών για διάγνωση, ενώ η πρόληψη και η παρακολούθηση της ανάπτυξης είναι ακόμη ένα αδύνατο έργο. Σήμερα, η έρευνα για την άνοια περιορίζεται στη νευροαπεικόνιση, καθώς είναι μια μη επεμβατική τεχνολογία. Υπάρχει μια πληθώρα νευροαπεικονιστικών εργαλείων τα οποία βελτιστοποιούν την απεικόνιση μιας εισαγόμενης εικόνας μέσω της επεξεργασίας εικόνας ή ακόμη και συνεισφέρουν στη λήψη ιατρικών αποφάσεων μέσω της ανάλυσης της εικόνας. Ωστόσο, η ατροφία του εγκεφάλου στην άνοια δεν έχει ακόμη χαρακτηριστεί σωστά. Η νευροαπεικόνιση στοχεύει κυρίως στην παρακολούθηση της μείωσης του όγκου του εγκεφάλου και λιγότερο σε άλλες δομικές υφές. Τέτοια χαρακτηριστικά είναι η μορφοκλασματική διάσταση και η ύπαρξη κενών στις εγκαφαλικές δομές (lacunarity). Μερικά εργαλεία νευροαπεικόνισης υπολογίζουν τη διάσταση του φράκταλ και του lacunarity για ολόκληρο τον όγκο του εγκεφάλου. Ωστόσο, η λειτουργικότητά τους δεν περιλαμβάνει αυτοματοποιημένη εκτίμηση πολλαπλών εικόνων και, συνεπώς, δημιουργία συνόλων δεδομένων (datasets). Υπολογίζουν απλώς αυτά τα χαρακτηριστικά για συγκεκριμένες δομές, ενώ δεν εκτελούν τα απαραίτητα βήματα επεξεργασίας εικόνας. Δεδομένου ότι τα περισσότερα από αυτά τα εργαλεία εξειδικεύονται σε συγκεκριμένες εργασίες, δεν υπάρχει μια ολιστική μέθοδος που εισάγει πολλαπλά δεδομένα απεικόνισης και εξάγει μετρήσεις για τη μορφοκλασματική διάσταση και το lacunarity. Αυτή η μελέτη παρουσιάζει ένα εργαλείο γενικού σκοπού για την αυτοματοποιημένη επεξεργασία εικόνας, την τμηματοποίηση εικόνας, την εκτίμηση της μορφοκλασματική διάσταση, του lacunarity και άλλων υφών που προέρχονται από τον υπολογισμό της μορφοκλασματικής διάστασης. Τα εξαγόμενα αρχεία είναι σύνολα δεδομένων με τέτοιες μετρήσεις. Έπειτα γίνεται μια ταξινόμηση υγειών και ατόμων με άνοια η οποία επιβεβαιώνει τη χρησιμότητα του λογισμικού. Παρόλο που υπήρχαν περιορισμοί στην απόκτηση δεδομένων, πραγματοποιήθηκε αποτελεσματική ταξινόμηση με μηχανές διανυσματικής υποστήριξης. Για αρκετές περιοχές του εγκεφάλου, η ακρίβεια Fbeta score κυμαινόταν μεταξύ 95% και 100% υπερισχύοντας όλων των άλλων μεθόδων. Ωστόσο, η διάγνωση της άνοιας απαιτεί ένα μοντέλο που διαχωρίζει αποτελεσματικά τις περιοχές του εγκεφάλου για όλες τις κλάσεις. Σε αυτή τη διατριβή, εκπαιδεύτηκαν δύο τέτοια μοντέλα, ένα κάθε ομάδα. Παρ 'όλα αυτά, τα τελικά αποτελέσματα αναδεικνύουν την αναγκαιότητα των μορφοκλασματικών ιδιοτήτων ως εργαλείο για τη ταξινόμηση των σταδίων της άνοιας και τη παρακολούθηση της ανάπτυξης της άνοιας. Επίσης, η χρήση του λογισμικού μπορεί να επεκταθεί σε οποιοδήποτε πρόβλημα δομικής νευροαπεικόνισης όπως η ανίχνευση καρκίνου","Dementia is a syndrome that is common amongst the elder adults and its occurrence rate is on the rise. The majority of the studies are focused on finding biomarkers for diagnosis, while prevention and monitoring of the development is yet an impossible task. Nowadays, research on dementia is limited to neuroimaging as it is a non-invasive technology. There is a plethora of neuroimaging tools which optimize the virtualization of an imported image through image processing or even contribute medical decision making through image analysis. Still, brain atrophy in Dementia is yet to be characterized properly. Neuroimaging mainly aims on volume decline of brain volume and less on other structural textures. Such features are fractal dimension and lacunarity. Some neuroimaging tools calculate fractal dimension and lacunarity for whole brain volume. However, their functionality does not include automated estimation of multiple images and thus creation of datasets. They just compute these features for given structures while not performing the necessary image processing steps. As most of these tools are specialized in specific tasks, there is not a holistic method that inputs multiple imaging data and exports measurements for fractal dimension, lacunarity. This study presents a general purpose tool for automated image processing, image segmentation, estimation of fractal dimension, lacunarity and other textures that are derived from the calculation of fractal dimension. The exported files are datasets with such measurements. Finally, a classification between healthy and dementia subjects underlines the utility of the software. Even though there were limitations to data acquirement, efficient classification with SVM models has been performed. For several brain regions, the ranging Fbeta score accuracy was 97% - 100 % outperforming all other methods. However, diagnosis of Dementia requires a unique prior model which efficiently segment brain regions for any given class. In this thesis, two models were trained, one for each group. Nevertheless, the final results reveal the necessity of fractal properties as a tool for Dementia classification and monitoring of the Dementia development. Also, the utility of the software can be extended to any structural neuroimaging problem such as detection of cancer."]},{"key":"dc:title","label":"Title","values":["Fractal tool; Calculating 3D fractal dimension of brain regions for a Dementia classification problem"]}]}],"canonical_facts":{"dc:creator":["Χατζηχρόνης Στυλιανός","Chatzichronis Stylianos"],"dc:date":["2021"],"dc:description":["Η άνοια είναι ένα σύνδρομο που είναι κοινό στους ηλικιωμένους και ο ρυθμός εμφάνισής του αυξάνεται. Η πλειονότητα των μελετών επικεντρώνεται στην εύρεση βιοδεικτών για διάγνωση, ενώ η πρόληψη και η παρακολούθηση της ανάπτυξης είναι ακόμη ένα αδύνατο έργο. Σήμερα, η έρευνα για την άνοια περιορίζεται στη νευροαπεικόνιση, καθώς είναι μια μη επεμβατική τεχνολογία. Υπάρχει μια πληθώρα νευροαπεικονιστικών εργαλείων τα οποία βελτιστοποιούν την απεικόνιση μιας εισαγόμενης εικόνας μέσω της επεξεργασίας εικόνας ή ακόμη και συνεισφέρουν στη λήψη ιατρικών αποφάσεων μέσω της ανάλυσης της εικόνας. Ωστόσο, η ατροφία του εγκεφάλου στην άνοια δεν έχει ακόμη χαρακτηριστεί σωστά. Η νευροαπεικόνιση στοχεύει κυρίως στην παρακολούθηση της μείωσης του όγκου του εγκεφάλου και λιγότερο σε άλλες δομικές υφές. Τέτοια χαρακτηριστικά είναι η μορφοκλασματική διάσταση και η ύπαρξη κενών στις εγκαφαλικές δομές (lacunarity). Μερικά εργαλεία νευροαπεικόνισης υπολογίζουν τη διάσταση του φράκταλ και του lacunarity για ολόκληρο τον όγκο του εγκεφάλου. Ωστόσο, η λειτουργικότητά τους δεν περιλαμβάνει αυτοματοποιημένη εκτίμηση πολλαπλών εικόνων και, συνεπώς, δημιουργία συνόλων δεδομένων (datasets). Υπολογίζουν απλώς αυτά τα χαρακτηριστικά για συγκεκριμένες δομές, ενώ δεν εκτελούν τα απαραίτητα βήματα επεξεργασίας εικόνας. Δεδομένου ότι τα περισσότερα από αυτά τα εργαλεία εξειδικεύονται σε συγκεκριμένες εργασίες, δεν υπάρχει μια ολιστική μέθοδος που εισάγει πολλαπλά δεδομένα απεικόνισης και εξάγει μετρήσεις για τη μορφοκλασματική διάσταση και το lacunarity. Αυτή η μελέτη παρουσιάζει ένα εργαλείο γενικού σκοπού για την αυτοματοποιημένη επεξεργασία εικόνας, την τμηματοποίηση εικόνας, την εκτίμηση της μορφοκλασματική διάσταση, του lacunarity και άλλων υφών που προέρχονται από τον υπολογισμό της μορφοκλασματικής διάστασης. Τα εξαγόμενα αρχεία είναι σύνολα δεδομένων με τέτοιες μετρήσεις. Έπειτα γίνεται μια ταξινόμηση υγειών και ατόμων με άνοια η οποία επιβεβαιώνει τη χρησιμότητα του λογισμικού. Παρόλο που υπήρχαν περιορισμοί στην απόκτηση δεδομένων, πραγματοποιήθηκε αποτελεσματική ταξινόμηση με μηχανές διανυσματικής υποστήριξης. Για αρκετές περιοχές του εγκεφάλου, η ακρίβεια Fbeta score κυμαινόταν μεταξύ 95% και 100% υπερισχύοντας όλων των άλλων μεθόδων. Ωστόσο, η διάγνωση της άνοιας απαιτεί ένα μοντέλο που διαχωρίζει αποτελεσματικά τις περιοχές του εγκεφάλου για όλες τις κλάσεις. Σε αυτή τη διατριβή, εκπαιδεύτηκαν δύο τέτοια μοντέλα, ένα κάθε ομάδα. Παρ 'όλα αυτά, τα τελικά αποτελέσματα αναδεικνύουν την αναγκαιότητα των μορφοκλασματικών ιδιοτήτων ως εργαλείο για τη ταξινόμηση των σταδίων της άνοιας και τη παρακολούθηση της ανάπτυξης της άνοιας. Επίσης, η χρήση του λογισμικού μπορεί να επεκταθεί σε οποιοδήποτε πρόβλημα δομικής νευροαπεικόνισης όπως η ανίχνευση καρκίνου","Dementia is a syndrome that is common amongst the elder adults and its occurrence rate is on the rise. The majority of the studies are focused on finding biomarkers for diagnosis, while prevention and monitoring of the development is yet an impossible task. Nowadays, research on dementia is limited to neuroimaging as it is a non-invasive technology. There is a plethora of neuroimaging tools which optimize the virtualization of an imported image through image processing or even contribute medical decision making through image analysis. Still, brain atrophy in Dementia is yet to be characterized properly. Neuroimaging mainly aims on volume decline of brain volume and less on other structural textures. Such features are fractal dimension and lacunarity. Some neuroimaging tools calculate fractal dimension and lacunarity for whole brain volume. However, their functionality does not include automated estimation of multiple images and thus creation of datasets. They just compute these features for given structures while not performing the necessary image processing steps. As most of these tools are specialized in specific tasks, there is not a holistic method that inputs multiple imaging data and exports measurements for fractal dimension, lacunarity. This study presents a general purpose tool for automated image processing, image segmentation, estimation of fractal dimension, lacunarity and other textures that are derived from the calculation of fractal dimension. The exported files are datasets with such measurements. Finally, a classification between healthy and dementia subjects underlines the utility of the software. Even though there were limitations to data acquirement, efficient classification with SVM models has been performed. For several brain regions, the ranging Fbeta score accuracy was 97% - 100 % outperforming all other methods. However, diagnosis of Dementia requires a unique prior model which efficiently segment brain regions for any given class. In this thesis, two models were trained, one for each group. Nevertheless, the final results reveal the necessity of fractal properties as a tool for Dementia classification and monitoring of the Dementia development. Also, the utility of the software can be extended to any structural neuroimaging problem such as detection of cancer."],"dc:identifier":["uoadl:2963221","https://pergamos.lib.uoa.gr/uoa/dl/object/2963221"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Fractal tool; Calculating 3D fractal dimension of brain regions for a Dementia classification problem"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:57Z"}