{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3322890"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3322890","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Γεράκου Ηλιάνα","Gerakou Iliana"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:03Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3322890"],"render_values":[{"text":"uoadl:3322890","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3322890","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3322890","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%3A3322890","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γεράκου Ηλιάνα","Gerakou Iliana"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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:3322890","https://pergamos.lib.uoa.gr/uoa/dl/object/3322890"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","This thesis deals with a system for processing, analyzing and classifying medical images. It focuses on the diagnosis of skin cancer using machine learning techniques, specifically the algorithm used is Bag-of-Features (BoF). Such a system can be used by the attending physician adjunctively during the diagnosis by assisting him in the examination in order to identify suspicious areas of the skin. Thus, in this way utilizing prior knowledge from already diagnosed medical images, our system is trained with the ultimate goal of increasing the effectiveness of skin cancer diagnosis and reducing diagnosis time for the benefit of the patient. The images used to develop the specific system were drawn from the scientific database of Harvard University (https://dataverse.harvard.edu) The theoretical framework of the present thesis is analyzed within the first three chapters where the diagnostic methods for skin lesions and the two types of dermoscopes, the non-polarized dermoscopy (NPD) and the polarized dermoscopy (PD) are analyzed. Extensive reference is made to the anatomy of the skin, the structure of the cell, the cell cycle, the difference between a healthy cell and a cancerous one, as well as seven types of skin cancer. Finally, protective measures to prevent skin cancer are also presented. After the analysis of dermatoscopies and cancerous skin lesions, Machine Learning, Artificial Neural Networks and the Bag-of-features algorithm are presented. The following chapters present the experimental part of the thesis, in the programming environment of MATLAB and the results from the application of the algorithm using the image data from the above mentioned scientific database. Based on the results the main conclusions are: 1. Due to the fact that the number of images was not equal in all categories, but varied widely instead, it was necessary to limit the number of images used by each group. This resulted in the training of the CNN (Convolutional Neural Networks) algorithm failing, since there were not enough images needed. 2. In contrast, the bag-of-features algorithm achieved satisfactory results, with a small number of images. 3. In order to have more available images for the Machine Learning algorithms, we propose that images need to be pre-processed without losing diagnostic information."]},{"key":"dc:title","label":"Title","values":["Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων"]}]}],"canonical_facts":{"dc:creator":["Γεράκου Ηλιάνα","Gerakou Iliana"],"dc:date":["2023"],"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.","This thesis deals with a system for processing, analyzing and classifying medical images. It focuses on the diagnosis of skin cancer using machine learning techniques, specifically the algorithm used is Bag-of-Features (BoF). Such a system can be used by the attending physician adjunctively during the diagnosis by assisting him in the examination in order to identify suspicious areas of the skin. Thus, in this way utilizing prior knowledge from already diagnosed medical images, our system is trained with the ultimate goal of increasing the effectiveness of skin cancer diagnosis and reducing diagnosis time for the benefit of the patient. The images used to develop the specific system were drawn from the scientific database of Harvard University (https://dataverse.harvard.edu) The theoretical framework of the present thesis is analyzed within the first three chapters where the diagnostic methods for skin lesions and the two types of dermoscopes, the non-polarized dermoscopy (NPD) and the polarized dermoscopy (PD) are analyzed. Extensive reference is made to the anatomy of the skin, the structure of the cell, the cell cycle, the difference between a healthy cell and a cancerous one, as well as seven types of skin cancer. Finally, protective measures to prevent skin cancer are also presented. After the analysis of dermatoscopies and cancerous skin lesions, Machine Learning, Artificial Neural Networks and the Bag-of-features algorithm are presented. The following chapters present the experimental part of the thesis, in the programming environment of MATLAB and the results from the application of the algorithm using the image data from the above mentioned scientific database. Based on the results the main conclusions are: 1. Due to the fact that the number of images was not equal in all categories, but varied widely instead, it was necessary to limit the number of images used by each group. This resulted in the training of the CNN (Convolutional Neural Networks) algorithm failing, since there were not enough images needed. 2. In contrast, the bag-of-features algorithm achieved satisfactory results, with a small number of images. 3. In order to have more available images for the Machine Learning algorithms, we propose that images need to be pre-processed without losing diagnostic information."],"dc:identifier":["uoadl:3322890","https://pergamos.lib.uoa.gr/uoa/dl/object/3322890"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Σύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:03Z"}