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...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
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 |