Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και η αξιολόγηση ενός συστήματος αυτόματης ανίχνευσης και ταξινόμησης μη κανονικού ιστού του μαστού χρησιμοποιώντας μαστογραφίες. Η προτεινόμενη μέθοδος βασίζεται στην επιστράτευση του βαθέως συνελικτικού νευρωνικού δικτύου Mask R-CNN το οπο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14039 |
| id |
nemertes-10889-14039 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ψηφιακή μαστογραφία Βαθιά μάθηση Επεξεργασία εικόνας Digital mammography Deep learning Image processing |
| spellingShingle |
Ψηφιακή μαστογραφία Βαθιά μάθηση Επεξεργασία εικόνας Digital mammography Deep learning Image processing Παπατρέχας, Ιωάννης Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| description |
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και η αξιολόγηση ενός συστήματος αυτόματης ανίχνευσης και ταξινόμησης μη κανονικού ιστού του μαστού χρησιμοποιώντας μαστογραφίες. Η προτεινόμενη μέθοδος βασίζεται στην επιστράτευση του βαθέως συνελικτικού νευρωνικού δικτύου Mask R-CNN το οποίο χρησιμοποιείται για ανίχνευση και ταξινόμηση περιοχών ενδιαφέροντος σε εικόνες προσφέροντας ακριβή ανίχνευση αυτών σε επίπεδο pixel εκτιμώντας για καθεμία μία δυαδική μάσκα που φανερώνει τη μορφολογία της. Η υλοποίηση του συστήματος έγινε σε περιβάλλον Python χρησιμοποιώντας ως βασικό πυλώνα τη βιβλιοθήκη TensorFlow. Το παρών σύστημα εκπαιδεύτηκε και αξιολογήθηκε χρησιμοποιώντας δύο βάσεις δεδομένων, η μία εκ των οποίων αποτελείται από ψηφιοποιημένες μαστογραφίες οι οποίες αρχικά καταγράφηκαν από αναλογικό μαστογράφο και η άλλη αποτελείται από αμιγώς ψηφιακές μαστογραφίες. Με τον τρόπο αυτό είναι δυνατή η σύγκριση της συμπεριφοράς του συστήματος στις δύο περιπτώσεις και η εξαγωγή συμπερασμάτων όσον αφορά στην επιρροή που έχει η ποιότητα και η ποσότητα των χρησιμοποιούμενων δεδομένων στην συμπεριφορά του. Στο πρώτο κεφάλαιο παρατίθενται γενικά στοιχεία για την ανατομία και τη φυσιολογία του μαστού, την έκταση και τα είδη του καρκίνου του μαστού, τις αιτίες εμφάνισης, τις διαγνωστικές μεθόδους καθώς και κάποια σχετικά επιδημιολογικά στοιχεία. Στο δεύτερο κεφάλαιο παρουσιάζονται βασικά στοιχεία της θεωρίας επεξεργασίας εικόνας και διάφορες τεχνικές οι οποίες χρησιμοποιήθηκαν για την προεπεξεργασία των δεδομένων. Στο τρίτο κεφάλαιο γίνεται εκτενής αναφορά στα νευρωνικά δίκτυα και τη λειτουργία τους, δίνοντας ιδιαίτερη έμφαση στα επίπεδα που απαρτίζουν τα σύγχρονα συνελικτικά νευρωνικά δίκτυα και την διαδικασία εκπαίδευσης αυτών. Στο τέταρτο κεφάλαιο παρουσιάζονται τα στάδια της πειραματικής διαδικασίας που ακολουθήθηκαν και γίνεται ενδελεχής ανάλυση της αρχιτεκτονικής και της λειτουργίας του νευρωνικού δικτύου Mask R-CNN. Στο πέμπτο και τελευταίο κεφάλαιο παρατίθενται τα αποτελέσματα των πειραμάτων που έγιναν, παρουσιάζονται τα συμπεράσματα που εξάγονται με βάση αυτά και γίνεται αναφορά σε δυνητικές βελτιώσεις. |
| author2 |
Papatrechas, Ioannis |
| author_facet |
Papatrechas, Ioannis Παπατρέχας, Ιωάννης |
| author |
Παπατρέχας, Ιωάννης |
| author_sort |
Παπατρέχας, Ιωάννης |
| title |
Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| title_short |
Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| title_full |
Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| title_fullStr |
Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| title_full_unstemmed |
Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| title_sort |
ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/14039 |
| work_keys_str_mv |
AT papatrechasiōannēs anichneusēkaianagnōrisēperiochōnendiapherontossepsēphiakesmastographies AT papatrechasiōannēs detectionandidentificationofregionsofinterestindigitalmammograms |
| _version_ |
1799945007414640640 |
| spelling |
nemertes-10889-140392022-09-06T05:14:07Z Ανίχνευση και αναγνώριση περιοχών ενδιαφέροντος σε ψηφιακές μαστογραφίες Detection and identification of regions of interest in digital mammograms Παπατρέχας, Ιωάννης Papatrechas, Ioannis Ψηφιακή μαστογραφία Βαθιά μάθηση Επεξεργασία εικόνας Digital mammography Deep learning Image processing Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και η αξιολόγηση ενός συστήματος αυτόματης ανίχνευσης και ταξινόμησης μη κανονικού ιστού του μαστού χρησιμοποιώντας μαστογραφίες. Η προτεινόμενη μέθοδος βασίζεται στην επιστράτευση του βαθέως συνελικτικού νευρωνικού δικτύου Mask R-CNN το οποίο χρησιμοποιείται για ανίχνευση και ταξινόμηση περιοχών ενδιαφέροντος σε εικόνες προσφέροντας ακριβή ανίχνευση αυτών σε επίπεδο pixel εκτιμώντας για καθεμία μία δυαδική μάσκα που φανερώνει τη μορφολογία της. Η υλοποίηση του συστήματος έγινε σε περιβάλλον Python χρησιμοποιώντας ως βασικό πυλώνα τη βιβλιοθήκη TensorFlow. Το παρών σύστημα εκπαιδεύτηκε και αξιολογήθηκε χρησιμοποιώντας δύο βάσεις δεδομένων, η μία εκ των οποίων αποτελείται από ψηφιοποιημένες μαστογραφίες οι οποίες αρχικά καταγράφηκαν από αναλογικό μαστογράφο και η άλλη αποτελείται από αμιγώς ψηφιακές μαστογραφίες. Με τον τρόπο αυτό είναι δυνατή η σύγκριση της συμπεριφοράς του συστήματος στις δύο περιπτώσεις και η εξαγωγή συμπερασμάτων όσον αφορά στην επιρροή που έχει η ποιότητα και η ποσότητα των χρησιμοποιούμενων δεδομένων στην συμπεριφορά του. Στο πρώτο κεφάλαιο παρατίθενται γενικά στοιχεία για την ανατομία και τη φυσιολογία του μαστού, την έκταση και τα είδη του καρκίνου του μαστού, τις αιτίες εμφάνισης, τις διαγνωστικές μεθόδους καθώς και κάποια σχετικά επιδημιολογικά στοιχεία. Στο δεύτερο κεφάλαιο παρουσιάζονται βασικά στοιχεία της θεωρίας επεξεργασίας εικόνας και διάφορες τεχνικές οι οποίες χρησιμοποιήθηκαν για την προεπεξεργασία των δεδομένων. Στο τρίτο κεφάλαιο γίνεται εκτενής αναφορά στα νευρωνικά δίκτυα και τη λειτουργία τους, δίνοντας ιδιαίτερη έμφαση στα επίπεδα που απαρτίζουν τα σύγχρονα συνελικτικά νευρωνικά δίκτυα και την διαδικασία εκπαίδευσης αυτών. Στο τέταρτο κεφάλαιο παρουσιάζονται τα στάδια της πειραματικής διαδικασίας που ακολουθήθηκαν και γίνεται ενδελεχής ανάλυση της αρχιτεκτονικής και της λειτουργίας του νευρωνικού δικτύου Mask R-CNN. Στο πέμπτο και τελευταίο κεφάλαιο παρατίθενται τα αποτελέσματα των πειραμάτων που έγιναν, παρουσιάζονται τα συμπεράσματα που εξάγονται με βάση αυτά και γίνεται αναφορά σε δυνητικές βελτιώσεις. The purpose of this thesis is the development and the evaluation of an automatic detection and identification system for abnormal breast tissue based on mammograms. The proposed method is based on the recruitment of the deep convolutional neural network Mask R-CNN which is used for detecting and classifying regions of interest in images offering accurate detection in pixel level, estimating for each a binary mask that reveals its morphology. The system was implemented in a Python environment using the TensorFlow library as its main pillar. The current system was trained and evaluated using two databases, one of which consists of digitized mammograms which were originally scanned by an analog x-ray scanner and the other consists purely of full field digital mammograms (FFDMs). This way it is possible to compare the behaviour of the system in both cases drawing conclusions regarding the influence of used data quality and quantity on its behaviour. The first chapter provides general information about breast anatomy and physiology, the extent and types of breast cancer, the causes, the diagnostic methods as well as some relevant epidemiological data. In the second chapter basic elements of image processing theory and various techniques used during data preprocessing stage are presented. The third chapter refers extensively to neural networks and their operation, with particular emphasis on the layers of modern convolutional neural networks and their training process. The fourth chapter presents the stages of the experimental process followed and a thorough analysis of the Mask R-CNN architecture and operation. The fifth chapter consists of the results collected from the experiments made, the conclusions which arise driven by the above-mentioned results and potential future improvements. 2020-10-21T11:04:02Z 2020-10-21T11:04:02Z 2020-10-16 http://hdl.handle.net/10889/14039 gr application/pdf |
