{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3197904"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3197904","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη ακτινομικών παραμέτρων για την αναγνώριση του ιστολογικού τύπου ασθενών με καρκίνο του πνεύμονα","abstract":"Ο καρκίνος του πνεύμονα αποτελεί την κυριότερη αιτία θανάτων παγκοσμίως. Ο πιο συχνά διαγνωσμένος τύπος καρκίνου του πνεύμονα είναι ο μη- μικροκυτταρικός καρκίνος του πνεύμονα (NSCLC- Non Small Cell Lung Cancer), ο οποίος με βάση τον ιστολογικό φαινότυπο κατηγοριοποιείται ως επί το πλείστων σε αδενοκαρκίνωμα (AC- Adenocarcinoma) και σε καρκίνωμα των πλακωδών κυττάρων (SCC- Squamous Cell Carcinoma). H έγκαιρη κατηγοριοποίηση του καρκίνου του πνεύμονα σε αδενοκαρκίνωμα ή καρκίνωμα των πλακωδών κυττάρων αποτελεί την καλύτερη πρόγνωση. Η πιο διαδεδομένη μέθοδος για απόκτηση παθολογικού ιστού και συνεπώς την αναγνώριση του φαινοτύπου είναι η βιοψία, η οποία είναι μια επεμβατική διαδικασία και δεν λαμβάνει υπόψη όλο το φάσμα της ετερογένειας του όγκου. Η Ακτινομική (Radiomics) αποτελεί ένα αναδυόμενο και ταχέως αναπτυσσόμενο πεδίο έρευνας που στοχεύει στην εξαγωγή ποσοτικών χαρακτηριστικών από τις κλινικές εικόνες και στη δημιουργία μοντέλων λήψης αποφάσεων, τα οποία θα βελτιώσουν την εκτίμηση των προγνώσεων, την ακρίβεια των διαγνώσεων αλλά και των θεραπευτικών διαδικασιών που θα ακολουθηθούν. Στην παρούσα εργασία χρησιμοποιήθηκε ένα σύνολο δεδομένων 102 ασθενών, από την δημόσια συλλογή αρχείων απεικόνισης καρκίνου (TCIA- The Cancer Imaging Archive), που περιέχει προ- θεραπευτικές εικόνες αξονικής τομογραφίας (CT). Στόχος είναι η διερεύνηση της δυνατότητας κατηγοριοποίησης, στους δύο πιο συχνά διαγνωσμένους τύπους του μη- μικροκυτταρικού καρκίνου του πνεύμονα (αδενοκαρκίνωμα ή πλακώδες καρκίνωμα), εφαρμόζοντας διαφορετικές τεχνικές εξαγωγής χαρακτηριστικών και μεθόδων ταξινόμησης. Τα ακτινομικά χαρακτηριστικά που εξάγονται από την περιοχή ενδιαφέροντος, εξαρτώνται από την επιλογή των παραμέτρων που θα εφαρμοστούν. Ενδεικτικά, ο αριθμός των bins που θα χρησιμοποιηθούν στα ιστογράμματα για τον υπολογισμό των χαρακτηριστικών πρώτης τάξης, μπορεί να επηρεάσει τις τιμές αυτών. Στο στάδιο της προ- επεξεργασίας, κατά τη διαδικασία της κβάντισης/ διακριτοποίησης των εντάσεων, ο αριθμός των bins με τον οποίο θα γίνει η ομαδοποίηση των γκρι επιπέδων, μπορεί να επηρεάσει τις ακτινομικές κατηγορίες χαρακτηριστικών δεύτερης και ανώτερης τάξης. Η επίδραση της διακριτοποίησης των εντάσεων αξιολογήθηκε με την χρήση δύο ειδών ταξινομητών, του kNN (k-Nearest Neighbors) και του Naïve Bayes. Κάθε ακτινομική κατηγορία, που περιέχει έναν αριθμό χαρακτηριστικών μελετήθηκε ξεχωριστά. Ο αριθμός των bins που θα οριστούν στο στάδιο της προ- επεξεργασίας των εικόνων, έχει μικρή επίδραση στις αποδόσεις ταξινόμησης και εξασφαλίζεται αναπαραγωγιμότητα των αποτελεσμάτων. Μελετήθηκε η επίδραση της μείωσης των χαρακτηριστικών, με τη χρήση της μεθόδου PCA (Principal Component Analysis), στην βελτίωση της ορθότητας ταξινόμησης των kNN και Naïve Bayes αλγορίθμων. Η μείωση των χαρακτηριστικών, δεν βελτίωσε αλλά ούτε και μείωσε την ικανότητα ταξινόμησης. Τέλος, τα αποτελέσματα από την σύγκριση των περιοχών κάτω από τις καμπύλες ROC (Receiver Operating Characteristics Curve), των AUC (Area Under the Curve) υπέδειξαν και για τους δύο ταξινομητές, σε όλες τις κατηγορίες των ακτινομικών χαρακτηριστικών, τιμές 0,4<AUC<0,7, δηλαδή κακό έως μέτριο επίπεδο ταξινόμησης στο συγκεκριμένο σύνολο δεδομένων. Ο Naïve Bayes παρουσίασε ανώτερη απόδοση από τον kNN.","abstract_html":"Ο καρκίνος του πνεύμονα αποτελεί την κυριότερη αιτία θανάτων παγκοσμίως. Ο πιο συχνά διαγνωσμένος τύπος καρκίνου του πνεύμονα είναι ο μη- μικροκυτταρικός καρκίνος του πνεύμονα (NSCLC- Non Small Cell Lung Cancer), ο οποίος με βάση τον ιστολογικό φαινότυπο κατηγοριοποιείται ως επί το πλείστων σε αδενοκαρκίνωμα (AC- Adenocarcinoma) και σε καρκίνωμα των πλακωδών κυττάρων (SCC- Squamous Cell Carcinoma). H έγκαιρη κατηγοριοποίηση του καρκίνου του πνεύμονα σε αδενοκαρκίνωμα ή καρκίνωμα των πλακωδών κυττάρων αποτελεί την καλύτερη πρόγνωση. Η πιο διαδεδομένη μέθοδος για απόκτηση παθολογικού ιστού και συνεπώς την αναγνώριση του φαινοτύπου είναι η βιοψία, η οποία είναι μια επεμβατική διαδικασία και δεν λαμβάνει υπόψη όλο το φάσμα της ετερογένειας του όγκου. Η Ακτινομική (Radiomics) αποτελεί ένα αναδυόμενο και ταχέως αναπτυσσόμενο πεδίο έρευνας που στοχεύει στην εξαγωγή ποσοτικών χαρακτηριστικών από τις κλινικές εικόνες και στη δημιουργία μοντέλων λήψης αποφάσεων, τα οποία θα βελτιώσουν την εκτίμηση των προγνώσεων, την ακρίβεια των διαγνώσεων αλλά και των θεραπευτικών διαδικασιών που θα ακολουθηθούν. Στην παρούσα εργασία χρησιμοποιήθηκε ένα σύνολο δεδομένων 102 ασθενών, από την δημόσια συλλογή αρχείων απεικόνισης καρκίνου (TCIA- The Cancer Imaging Archive), που περιέχει προ- θεραπευτικές εικόνες αξονικής τομογραφίας (CT). Στόχος είναι η διερεύνηση της δυνατότητας κατηγοριοποίησης, στους δύο πιο συχνά διαγνωσμένους τύπους του μη- μικροκυτταρικού καρκίνου του πνεύμονα (αδενοκαρκίνωμα ή πλακώδες καρκίνωμα), εφαρμόζοντας διαφορετικές τεχνικές εξαγωγής χαρακτηριστικών και μεθόδων ταξινόμησης. Τα ακτινομικά χαρακτηριστικά που εξάγονται από την περιοχή ενδιαφέροντος, εξαρτώνται από την επιλογή των παραμέτρων που θα εφαρμοστούν. Ενδεικτικά, ο αριθμός των bins που θα χρησιμοποιηθούν στα ιστογράμματα για τον υπολογισμό των χαρακτηριστικών πρώτης τάξης, μπορεί να επηρεάσει τις τιμές αυτών. Στο στάδιο της προ- επεξεργασίας, κατά τη διαδικασία της κβάντισης/ διακριτοποίησης των εντάσεων, ο αριθμός των bins με τον οποίο θα γίνει η ομαδοποίηση των γκρι επιπέδων, μπορεί να επηρεάσει τις ακτινομικές κατηγορίες χαρακτηριστικών δεύτερης και ανώτερης τάξης. Η επίδραση της διακριτοποίησης των εντάσεων αξιολογήθηκε με την χρήση δύο ειδών ταξινομητών, του kNN (k-Nearest Neighbors) και του Naïve Bayes. Κάθε ακτινομική κατηγορία, που περιέχει έναν αριθμό χαρακτηριστικών μελετήθηκε ξεχωριστά. Ο αριθμός των bins που θα οριστούν στο στάδιο της προ- επεξεργασίας των εικόνων, έχει μικρή επίδραση στις αποδόσεις ταξινόμησης και εξασφαλίζεται αναπαραγωγιμότητα των αποτελεσμάτων. Μελετήθηκε η επίδραση της μείωσης των χαρακτηριστικών, με τη χρήση της μεθόδου PCA (Principal Component Analysis), στην βελτίωση της ορθότητας ταξινόμησης των kNN και Naïve Bayes αλγορίθμων. Η μείωση των χαρακτηριστικών, δεν βελτίωσε αλλά ούτε και μείωσε την ικανότητα ταξινόμησης. Τέλος, τα αποτελέσματα από την σύγκριση των περιοχών κάτω από τις καμπύλες ROC (Receiver Operating Characteristics Curve), των AUC (Area Under the Curve) υπέδειξαν και για τους δύο ταξινομητές, σε όλες τις κατηγορίες των ακτινομικών χαρακτηριστικών, τιμές 0,4&lt;AUC&lt;0,7, δηλαδή κακό έως μέτριο επίπεδο ταξινόμησης στο συγκεκριμένο σύνολο δεδομένων. Ο Naïve Bayes παρουσίασε ανώτερη απόδοση από τον kNN.","abstract_has_math":false,"creators":["Θάνου Αναστασία","Thanou Anastasia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:45:34Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3197904"],"render_values":[{"text":"uoadl:3197904","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3197904","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3197904","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%3A3197904","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Θάνου Αναστασία","Thanou Anastasia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:3197904","https://pergamos.lib.uoa.gr/uoa/dl/object/3197904"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο καρκίνος του πνεύμονα αποτελεί την κυριότερη αιτία θανάτων παγκοσμίως. Ο πιο συχνά διαγνωσμένος τύπος καρκίνου του πνεύμονα είναι ο μη- μικροκυτταρικός καρκίνος του πνεύμονα (NSCLC- Non Small Cell Lung Cancer), ο οποίος με βάση τον ιστολογικό φαινότυπο κατηγοριοποιείται ως επί το πλείστων σε αδενοκαρκίνωμα (AC- Adenocarcinoma) και σε καρκίνωμα των πλακωδών κυττάρων (SCC- Squamous Cell Carcinoma). H έγκαιρη κατηγοριοποίηση του καρκίνου του πνεύμονα σε αδενοκαρκίνωμα ή καρκίνωμα των πλακωδών κυττάρων αποτελεί την καλύτερη πρόγνωση. Η πιο διαδεδομένη μέθοδος για απόκτηση παθολογικού ιστού και συνεπώς την αναγνώριση του φαινοτύπου είναι η βιοψία, η οποία είναι μια επεμβατική διαδικασία και δεν λαμβάνει υπόψη όλο το φάσμα της ετερογένειας του όγκου. Η Ακτινομική (Radiomics) αποτελεί ένα αναδυόμενο και ταχέως αναπτυσσόμενο πεδίο έρευνας που στοχεύει στην εξαγωγή ποσοτικών χαρακτηριστικών από τις κλινικές εικόνες και στη δημιουργία μοντέλων λήψης αποφάσεων, τα οποία θα βελτιώσουν την εκτίμηση των προγνώσεων, την ακρίβεια των διαγνώσεων αλλά και των θεραπευτικών διαδικασιών που θα ακολουθηθούν. Στην παρούσα εργασία χρησιμοποιήθηκε ένα σύνολο δεδομένων 102 ασθενών, από την δημόσια συλλογή αρχείων απεικόνισης καρκίνου (TCIA- The Cancer Imaging Archive), που περιέχει προ- θεραπευτικές εικόνες αξονικής τομογραφίας (CT). Στόχος είναι η διερεύνηση της δυνατότητας κατηγοριοποίησης, στους δύο πιο συχνά διαγνωσμένους τύπους του μη- μικροκυτταρικού καρκίνου του πνεύμονα (αδενοκαρκίνωμα ή πλακώδες καρκίνωμα), εφαρμόζοντας διαφορετικές τεχνικές εξαγωγής χαρακτηριστικών και μεθόδων ταξινόμησης. Τα ακτινομικά χαρακτηριστικά που εξάγονται από την περιοχή ενδιαφέροντος, εξαρτώνται από την επιλογή των παραμέτρων που θα εφαρμοστούν. Ενδεικτικά, ο αριθμός των bins που θα χρησιμοποιηθούν στα ιστογράμματα για τον υπολογισμό των χαρακτηριστικών πρώτης τάξης, μπορεί να επηρεάσει τις τιμές αυτών. Στο στάδιο της προ- επεξεργασίας, κατά τη διαδικασία της κβάντισης/ διακριτοποίησης των εντάσεων, ο αριθμός των bins με τον οποίο θα γίνει η ομαδοποίηση των γκρι επιπέδων, μπορεί να επηρεάσει τις ακτινομικές κατηγορίες χαρακτηριστικών δεύτερης και ανώτερης τάξης. Η επίδραση της διακριτοποίησης των εντάσεων αξιολογήθηκε με την χρήση δύο ειδών ταξινομητών, του kNN (k-Nearest Neighbors) και του Naïve Bayes. Κάθε ακτινομική κατηγορία, που περιέχει έναν αριθμό χαρακτηριστικών μελετήθηκε ξεχωριστά. Ο αριθμός των bins που θα οριστούν στο στάδιο της προ- επεξεργασίας των εικόνων, έχει μικρή επίδραση στις αποδόσεις ταξινόμησης και εξασφαλίζεται αναπαραγωγιμότητα των αποτελεσμάτων. Μελετήθηκε η επίδραση της μείωσης των χαρακτηριστικών, με τη χρήση της μεθόδου PCA (Principal Component Analysis), στην βελτίωση της ορθότητας ταξινόμησης των kNN και Naïve Bayes αλγορίθμων. Η μείωση των χαρακτηριστικών, δεν βελτίωσε αλλά ούτε και μείωσε την ικανότητα ταξινόμησης. Τέλος, τα αποτελέσματα από την σύγκριση των περιοχών κάτω από τις καμπύλες ROC (Receiver Operating Characteristics Curve), των AUC (Area Under the Curve) υπέδειξαν και για τους δύο ταξινομητές, σε όλες τις κατηγορίες των ακτινομικών χαρακτηριστικών, τιμές 0,4<AUC<0,7, δηλαδή κακό έως μέτριο επίπεδο ταξινόμησης στο συγκεκριμένο σύνολο δεδομένων. Ο Naïve Bayes παρουσίασε ανώτερη απόδοση από τον kNN.","Lung cancer is the leading cause of cancer deaths, worldwide. The most common diagnosed type of lung cancer is non-small-cell lung cancer (NSCLC), and can be divided into it’s two major histologic subtypes, namely adenocarcinoma (AC) and squamous cell carcinoma (SCC). The early classification in each of the subtypes is crucial in prognosis of lung cancer and future treatment decisions. In clinical routine, the most common way of classifying tumor histology is through biopsy, an invasive procedure which also fails to depict the heterogeneity of the tumors. Radiomics is an emerging and rapidly evolving field that aims in the extraction of quantitative features from the clinical images, and in the development of decision support models that may improve the diagnostic and prognostic accuracy, and also enhance the prediction of therapy response. In this study an image dataset of 102 patients was employed. The dataset was taken from the publicly available cancer imaging archive collection (TCIA) and contains pre- treatment CT images. The main target is to investigate the potential of NSCLC histopathology indentification, under different feature extraction and classification techniques. Radiomic features depend on choice of settings. The number of bins used in the histograms prior to global texture features calculations, may affect their prognostic accuracy. Voxel intensity quantization, also known as discretization, in the pre- processing step, before second and higher order texture feature extraction, can lead in variations in results. The impact of intensity discretization was evaluated based on a classification task, using two machine learning algorithms, kNN (k-Nearest Neighbors) and Naïve Bayes. Each radiomic group of features was studied separately. The bin number selected on the discretization step had a small impact on classification performances and a high number of reproducible features can be achieved. The effect of dimensionality reduction, using PCA (Principal Component Analysis) method, was also evaluated. The dimensionality reduction, favored none of the classifiers. The final classification performance, judging from the results of the area under the ROC (Receiver Operating Characteristics Curve) curve, was characterized by moderate performance (0.4<AUC<0.7). The best classifier was Naïve Bayes, as yielded superior performance than kNN. However, the radiomic texture features computed for this dataset, showed that they can be potential biomarkers in characterization of the type of NSCLC, if they undergo right parameter settings, in both the pre- processing step as well when selecting the model’s specific parameters."]},{"key":"dc:title","label":"Title","values":["Μελέτη ακτινομικών παραμέτρων για την αναγνώριση του ιστολογικού τύπου ασθενών με καρκίνο του πνεύμονα"]}]}],"canonical_facts":{"dc:creator":["Θάνου Αναστασία","Thanou Anastasia"],"dc:date":["2022"],"dc:description":["Ο καρκίνος του πνεύμονα αποτελεί την κυριότερη αιτία θανάτων παγκοσμίως. Ο πιο συχνά διαγνωσμένος τύπος καρκίνου του πνεύμονα είναι ο μη- μικροκυτταρικός καρκίνος του πνεύμονα (NSCLC- Non Small Cell Lung Cancer), ο οποίος με βάση τον ιστολογικό φαινότυπο κατηγοριοποιείται ως επί το πλείστων σε αδενοκαρκίνωμα (AC- Adenocarcinoma) και σε καρκίνωμα των πλακωδών κυττάρων (SCC- Squamous Cell Carcinoma). H έγκαιρη κατηγοριοποίηση του καρκίνου του πνεύμονα σε αδενοκαρκίνωμα ή καρκίνωμα των πλακωδών κυττάρων αποτελεί την καλύτερη πρόγνωση. Η πιο διαδεδομένη μέθοδος για απόκτηση παθολογικού ιστού και συνεπώς την αναγνώριση του φαινοτύπου είναι η βιοψία, η οποία είναι μια επεμβατική διαδικασία και δεν λαμβάνει υπόψη όλο το φάσμα της ετερογένειας του όγκου. Η Ακτινομική (Radiomics) αποτελεί ένα αναδυόμενο και ταχέως αναπτυσσόμενο πεδίο έρευνας που στοχεύει στην εξαγωγή ποσοτικών χαρακτηριστικών από τις κλινικές εικόνες και στη δημιουργία μοντέλων λήψης αποφάσεων, τα οποία θα βελτιώσουν την εκτίμηση των προγνώσεων, την ακρίβεια των διαγνώσεων αλλά και των θεραπευτικών διαδικασιών που θα ακολουθηθούν. Στην παρούσα εργασία χρησιμοποιήθηκε ένα σύνολο δεδομένων 102 ασθενών, από την δημόσια συλλογή αρχείων απεικόνισης καρκίνου (TCIA- The Cancer Imaging Archive), που περιέχει προ- θεραπευτικές εικόνες αξονικής τομογραφίας (CT). Στόχος είναι η διερεύνηση της δυνατότητας κατηγοριοποίησης, στους δύο πιο συχνά διαγνωσμένους τύπους του μη- μικροκυτταρικού καρκίνου του πνεύμονα (αδενοκαρκίνωμα ή πλακώδες καρκίνωμα), εφαρμόζοντας διαφορετικές τεχνικές εξαγωγής χαρακτηριστικών και μεθόδων ταξινόμησης. Τα ακτινομικά χαρακτηριστικά που εξάγονται από την περιοχή ενδιαφέροντος, εξαρτώνται από την επιλογή των παραμέτρων που θα εφαρμοστούν. Ενδεικτικά, ο αριθμός των bins που θα χρησιμοποιηθούν στα ιστογράμματα για τον υπολογισμό των χαρακτηριστικών πρώτης τάξης, μπορεί να επηρεάσει τις τιμές αυτών. Στο στάδιο της προ- επεξεργασίας, κατά τη διαδικασία της κβάντισης/ διακριτοποίησης των εντάσεων, ο αριθμός των bins με τον οποίο θα γίνει η ομαδοποίηση των γκρι επιπέδων, μπορεί να επηρεάσει τις ακτινομικές κατηγορίες χαρακτηριστικών δεύτερης και ανώτερης τάξης. Η επίδραση της διακριτοποίησης των εντάσεων αξιολογήθηκε με την χρήση δύο ειδών ταξινομητών, του kNN (k-Nearest Neighbors) και του Naïve Bayes. Κάθε ακτινομική κατηγορία, που περιέχει έναν αριθμό χαρακτηριστικών μελετήθηκε ξεχωριστά. Ο αριθμός των bins που θα οριστούν στο στάδιο της προ- επεξεργασίας των εικόνων, έχει μικρή επίδραση στις αποδόσεις ταξινόμησης και εξασφαλίζεται αναπαραγωγιμότητα των αποτελεσμάτων. Μελετήθηκε η επίδραση της μείωσης των χαρακτηριστικών, με τη χρήση της μεθόδου PCA (Principal Component Analysis), στην βελτίωση της ορθότητας ταξινόμησης των kNN και Naïve Bayes αλγορίθμων. Η μείωση των χαρακτηριστικών, δεν βελτίωσε αλλά ούτε και μείωσε την ικανότητα ταξινόμησης. Τέλος, τα αποτελέσματα από την σύγκριση των περιοχών κάτω από τις καμπύλες ROC (Receiver Operating Characteristics Curve), των AUC (Area Under the Curve) υπέδειξαν και για τους δύο ταξινομητές, σε όλες τις κατηγορίες των ακτινομικών χαρακτηριστικών, τιμές 0,4<AUC<0,7, δηλαδή κακό έως μέτριο επίπεδο ταξινόμησης στο συγκεκριμένο σύνολο δεδομένων. Ο Naïve Bayes παρουσίασε ανώτερη απόδοση από τον kNN.","Lung cancer is the leading cause of cancer deaths, worldwide. The most common diagnosed type of lung cancer is non-small-cell lung cancer (NSCLC), and can be divided into it’s two major histologic subtypes, namely adenocarcinoma (AC) and squamous cell carcinoma (SCC). The early classification in each of the subtypes is crucial in prognosis of lung cancer and future treatment decisions. In clinical routine, the most common way of classifying tumor histology is through biopsy, an invasive procedure which also fails to depict the heterogeneity of the tumors. Radiomics is an emerging and rapidly evolving field that aims in the extraction of quantitative features from the clinical images, and in the development of decision support models that may improve the diagnostic and prognostic accuracy, and also enhance the prediction of therapy response. In this study an image dataset of 102 patients was employed. The dataset was taken from the publicly available cancer imaging archive collection (TCIA) and contains pre- treatment CT images. The main target is to investigate the potential of NSCLC histopathology indentification, under different feature extraction and classification techniques. Radiomic features depend on choice of settings. The number of bins used in the histograms prior to global texture features calculations, may affect their prognostic accuracy. Voxel intensity quantization, also known as discretization, in the pre- processing step, before second and higher order texture feature extraction, can lead in variations in results. The impact of intensity discretization was evaluated based on a classification task, using two machine learning algorithms, kNN (k-Nearest Neighbors) and Naïve Bayes. Each radiomic group of features was studied separately. The bin number selected on the discretization step had a small impact on classification performances and a high number of reproducible features can be achieved. The effect of dimensionality reduction, using PCA (Principal Component Analysis) method, was also evaluated. The dimensionality reduction, favored none of the classifiers. The final classification performance, judging from the results of the area under the ROC (Receiver Operating Characteristics Curve) curve, was characterized by moderate performance (0.4<AUC<0.7). The best classifier was Naïve Bayes, as yielded superior performance than kNN. However, the radiomic texture features computed for this dataset, showed that they can be potential biomarkers in characterization of the type of NSCLC, if they undergo right parameter settings, in both the pre- processing step as well when selecting the model’s specific parameters."],"dc:identifier":["uoadl:3197904","https://pergamos.lib.uoa.gr/uoa/dl/object/3197904"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Μελέτη ακτινομικών παραμέτρων για την αναγνώριση του ιστολογικού τύπου ασθενών με καρκίνο του πνεύμονα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:45:34Z"}