An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images

The subject of this thesis is the development of a automated graphical probabilistic framework to segment lung tumors from thoracic CT scan images. The feature space that we use to represent the images consists mostly of the responses of the initial images to convolution kernels of a Gabor lter...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Δαμόπουλος, Δημήτριος
Άλλοι συγγραφείς: Νικήτα, Κωνσταντίνα
Μορφή: Thesis
Γλώσσα:English
Έκδοση: 2017
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/10767
id nemertes-10889-10767
record_format dspace
spelling nemertes-10889-107672022-09-06T05:13:53Z An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images Αυτοματοποιημένη κατάτμηση πνευμονικών όγκων σε ιατρικές εικόνες αξονικής τομογραφίας Δαμόπουλος, Δημήτριος Νικήτα, Κωνσταντίνα Damopoulos, Dimitrios Νικήτα, Κωνσταντίνα Σταφυλοπάτης, Ανδρέας Κουτσούρης, Δημήτριος Lung nodule Automatic segmentation MRF AdaBoost Gabor filters 616.994 240 757 22 Πνευμονικοί όγκοι Αυτοματοποιημένη κατάτμηση Φίλτρα Gabor The subject of this thesis is the development of a automated graphical probabilistic framework to segment lung tumors from thoracic CT scan images. The feature space that we use to represent the images consists mostly of the responses of the initial images to convolution kernels of a Gabor lter bank. We are then constructing an AdaBoost strong classi er over a collection of simple decision trees. The output of our strong classi er is used to construct the unary potentials of a Markov Random Field (MRF) model, that improves our results by enforcing structure. Το αντικείμενο αυτής της εργασίας είναι η ανάπτυξη μιας αυτοματοποιημένος τεχνικής για την κατάτμηση πνευμονικών οζιδίων από αξονικές τομογραφίες του θώρακα. Τα χαρακτηριστικά που χρησιμοποιήσαμε για να αναπαραστήσουμε τις εικόνες απαρτίζονται κυρίως από τις αποκρίσεις των αρχικών εικόνων έπειτα την συνέλιξή τους με τους πυρήνες μιας συλλογής φίλτρων τύπου Gabor. Έπειτα, χτίζουμε έναν ταξινομητή τύπου AdaBoost χρησιμοποιόντας απλά δέντρα αποφάσεων ως δομικά στοιχεία. Με βάση την έξοδο του ταξινομητή μας θέτουμε τα μοναδιαία δυναμικά ενός Μαρκοβιανού Τυχαιοκρατικού Πεδίου (Markov Random Field), το οποίο βελτιώνει τα αποτελέσματά μας με το να επιβάλει δομή στην τελικές πιθανοτικές εκτιμήσεις του μοντέλου. 2017-11-10T09:07:18Z 2017-11-10T09:07:18Z 2016-06 Thesis http://hdl.handle.net/10889/10767 en 0 application/pdf
institution UPatras
collection Nemertes
language English
topic Lung nodule
Automatic segmentation
MRF
AdaBoost
Gabor filters
616.994 240 757 22
Πνευμονικοί όγκοι
Αυτοματοποιημένη κατάτμηση
Φίλτρα Gabor
spellingShingle Lung nodule
Automatic segmentation
MRF
AdaBoost
Gabor filters
616.994 240 757 22
Πνευμονικοί όγκοι
Αυτοματοποιημένη κατάτμηση
Φίλτρα Gabor
Δαμόπουλος, Δημήτριος
An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
description The subject of this thesis is the development of a automated graphical probabilistic framework to segment lung tumors from thoracic CT scan images. The feature space that we use to represent the images consists mostly of the responses of the initial images to convolution kernels of a Gabor lter bank. We are then constructing an AdaBoost strong classi er over a collection of simple decision trees. The output of our strong classi er is used to construct the unary potentials of a Markov Random Field (MRF) model, that improves our results by enforcing structure.
author2 Νικήτα, Κωνσταντίνα
author_facet Νικήτα, Κωνσταντίνα
Δαμόπουλος, Δημήτριος
format Thesis
author Δαμόπουλος, Δημήτριος
author_sort Δαμόπουλος, Δημήτριος
title An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
title_short An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
title_full An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
title_fullStr An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
title_full_unstemmed An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
title_sort automated graphical probabilistic framework for the detection of lung tumors in thoracic ct scan images
publishDate 2017
url http://hdl.handle.net/10889/10767
work_keys_str_mv AT damopoulosdēmētrios anautomatedgraphicalprobabilisticframeworkforthedetectionoflungtumorsinthoracicctscanimages
AT damopoulosdēmētrios automatopoiēmenēkatatmēsēpneumonikōnonkōnseiatrikeseikonesaxonikēstomographias
AT damopoulosdēmētrios automatedgraphicalprobabilisticframeworkforthedetectionoflungtumorsinthoracicctscanimages
_version_ 1799945006181515264