Back to search

National and Kapodistrian University of Athens

Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων

Abstract

dc:description

Η παρούσα διπλωματική εργασία ασχολείται με ένα σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης ιατρικών εικόνων. Εστιάζει στην διάγνωση του καρκίνου του δέρματος με χρήση τεχνικών μηχανικής μάθησης και συγκεκριμένα ο αλγόριθμος που χρησιμοποιήθηκε είναι o Bag-of-Features (BoF). Ένα τέτοιο σύστημα μπορεί να χρησιμοποιηθεί από τον θεράποντα ιατρό επικουρικά κατά τη διάγνωση βοηθώντας τον στην εξέταση προκειμένου να επισημάνει τις ύποπτες περιοχές του δέρματος. Έτσι, με αυτόν τον τρόπο αξιοποιώντας την πρότερη γνώση από ήδη διαγνωσμένες ιατρικές εικόνες, το σύστημά μας εκπαιδεύεται με τελικό στόχο την αύξηση στην αποτελεσματικότητα της διάγνωσης του καρκίνου του δέρματος και τη μείωση του χρόνου διάγνωσης επ’ ωφελεία του ασθενούς. Οι εικόνες που χρησιμοποιήθηκαν για την ανάπτυξη του συγκεκριμένου συστήματος, αντλήθηκαν από την επιστημονική βάση δεδομένων του πανεπιστημίου Harvard (https://dataverse.harvard.edu) Αρχικά στην παρούσα διπλωματική εργασία παρουσιάζεται το θεωρητικό πλαίσιο, όπου στα πρώτα τρία κεφάλαια αναλύονται οι διαγνωστικές μέθοδοι για την αλλοίωση του δέρματος και τα δύο είδη δερματοσκοπίων, το μη πολωμένο δερματοσκόπιο – nonpolarized dermatoscopy (NPD) και το πολωμένο δερματοσκόπιο -polarized dermatoscopy (PD). Γίνεται εκτενής αναφορά στην ανατομία του δέρματος, στην δομή του κυττάρου, τον κυτταρικό κύκλο, στην διαφορά του υγιούς κυττάρου από το καρκινικό καθώς και σε επτά είδη καρκίνου δέρματος. Τέλος αναφέρονται τα μέτρα προστασίας για την πρόληψη του δερματικού καρκίνου. Μετά την ανάλυση των δερματοσκοπίων και των καρκινικών δερματικών αλλοιώσεων, παρουσιάζονται η Μηχανική Μάθηση, τα Τεχνητά Νευρωνικά Δίκτυα και ο αλγόριθμος Bag- of- features. Στη συνέχεια παρουσιάζεται το πειραματικό μέρος. Περιλαμβάνει τα αποτελέσματα από την εφαρμογή του αλγόριθμου το οποίο υλοποιήθηκε στο προγραμματιστικό περιβάλλον του MATLAB με τη χρήση των δεδομένων εικόνων. Βάσει των αποτελεσμάτων τα βασικά συμπεράσματα είναι: 1. Επειδή ο πληθάριθμος των εικόνων δεν ήταν ίσος σε όλες τις κατηγορίες, αλλά είχε μεγάλες διακυμάνσεις, χρειάστηκε να τεθεί περιορισμός στο πλήθος των εικόνων που χρησιμοποιούνταν από κάθε ομάδα. Αποτέλεσμα αυτού ήταν η εκπαίδευση του CNN (Convolutional Neural Networks) αλγορίθμου να αποτύχει, αφού δεν υπήρχε ο επαρκής αριθμός εικόνων που χρειαζόταν. 2. Αντίθετα, ο αλγόριθμος bag-of-features, έτρεξε δίνοντας ικανοποιητικά αποτελέσματα, με μικρό αριθμό εικόνων. 3. Προκειμένου να εξασφαλισθεί μεγαλύτερο πλήθος εικόνων για τους αλγόριθμους Μηχανικής Μάθησης, χρειάζεται να γίνεται προεπεξεργασία των εικόνων χωρίς να χαθεί η διαγνωστική πληροφορία.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Γεράκου Ηλιάνα
  • Gerakou Iliana

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3322890

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Γεράκου Ηλιάνα; Gerakou Iliana. Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων. 2023. https://pergamos.lib.uoa.gr/uoa/dl/object/3322890