Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης
Η απόδοση των περισσότερων συμβατικών συστημάτων ταξινόμησης βασίζεται στην κατάλληλη αναπαράσταση δεδομένων μέσω τεχνικών του feature engineering, μια δύσκολη και χρονοβόρα διαδικασία που στοχεύει στη δημιουργία χρήσιμων χαρακτηριστικών (features). Από την άλλη πλευρά, η βαθιά μάθηση μπορεί να εξαγ...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2020
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/14048 |
id |
nemertes-10889-14048 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-140482022-09-05T09:40:39Z Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης Breast tumor classification with deep learning Γκάνος, Παναγιώτης Gkanos, Panagiotis Συνελικτικά νευρωνικά δίκτυα Βαθιά μάθηση Καρκίνος του μαστού Βελτιστοποίηση Μεταφερόμενη εκμάθηση Επαύξηση δεδομένων Επεξεργασία εικόνας Convolutional neural networks Deep learning Breast cancer Optimization Transfer learning VGG-16 Data augmentation Image processing Η απόδοση των περισσότερων συμβατικών συστημάτων ταξινόμησης βασίζεται στην κατάλληλη αναπαράσταση δεδομένων μέσω τεχνικών του feature engineering, μια δύσκολη και χρονοβόρα διαδικασία που στοχεύει στη δημιουργία χρήσιμων χαρακτηριστικών (features). Από την άλλη πλευρά, η βαθιά μάθηση μπορεί να εξαγάγει και να οργανώσει τις διακριτικές πληροφορίες από τα δεδομένα, χωρίς να απαιτείται ο σχεδιασμός των χαρακτηριστικών από έναν ειδικό τομέα. Τα Convolutional Neural Networks (CNN) είναι ένας συγκεκριμένος τύπος βαθιού, νευρωνικού δικτύου που έχει κερδίσει την προσοχή από την ερευνητική κοινότητα και τη βιομηχανία, επιτυγχάνοντας αξιοσημείωτες επιδόσεις σε εργασίες όπως η αναγνώριση ομιλίας, η επεξεργασία σήματος, η αναγνώριση αντικειμένων, η επεξεργασία φυσικής γλώσσας και η μεταφορά εκμάθησης. Στα πλαίσια αυτής της διπλωματικής εργασίας πραγματοποιήθηκε η διεξαγωγή μιας σειράς πειραμάτων χρησιμοποιώντας την προσέγγιση των συνελικτικών νευρωνικών δικτύων (CNN) με στόχο την κατηγοριοποίηση ιστοπαθολογικών εικόνων με νεοπλασίες του μαστού. Τα πειράματα βασίστηκαν πάνω σε εικόνες που ανακτήθηκαν από τον ισότοπο του BreakHis, ενός οργανισμού που παρέχει ελεύθερα δεδομένα ιατρικού περιεχομένου για ερευνητικούς σκοπούς. Τα πειράματα διαχωρίζονται σε δύο κατηγορίες, αυτή της δυαδικής ταξινόμησης κατά της οποία ο διαχωρισμός των εικόνων αφορά μόνο την φύση της νεοπλασίας καλοήθη ή κακοήθη και στην multi-class προσέγγιση βάσει της ο οποίας η διάκριση των εικόνων γίνεται σε 8 κλάσεις που αφορούν διάφορα είδη νεοπλασιών (καλοήθη και κακοήθη). Τα αποτελέσματα τα οποία συγκεντρώθηκαν συγκρίθηκαν με αρκετές αντίστοιχες προσεγγίσεις ανά τον κόσμο και τα συμπεράσματα είναι αξιοσημείωτα. The performance of most conventional classification systems is based on the proper representation of data through feature engineering techniques, a difficult and time-consuming process that aims to create useful features. Deep learning, on the other hand, can extract and organize discreet information from data without requiring feature design by a specific domain. Convolutional Neural Networks (CNN) are a specific type of deep, neural network that has gained attention from the research community and industry, achieving remarkable performance in tasks such as speech recognition, signal processing, object recognition, natural language processing. and the transfer of learning. As part of this dissertation, a series of experiments were performed using the Cohesive Neural Networks (CNN) approach to categorize histopathological images with breast neoplasms. The experiments were based on images retrieved from the isotope of BreakHis, an organization that provides free medical data for research purposes. The experiments are divided into two categories, the binary classification according to which the separation of the images concerns only the nature of the tumor benign or malignant and the multi-class approach based on which the images are distinguished into 8 classes related to different types of tumors. (benign and malignant). The results gathered were compared with several similar approaches around the world and the conclusions are remarkable. 2020-10-21T11:28:49Z 2020-10-21T11:28:49Z 2020-10-12 http://hdl.handle.net/10889/14048 gr application/pdf application/octet-stream |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Συνελικτικά νευρωνικά δίκτυα Βαθιά μάθηση Καρκίνος του μαστού Βελτιστοποίηση Μεταφερόμενη εκμάθηση Επαύξηση δεδομένων Επεξεργασία εικόνας Convolutional neural networks Deep learning Breast cancer Optimization Transfer learning VGG-16 Data augmentation Image processing |
spellingShingle |
Συνελικτικά νευρωνικά δίκτυα Βαθιά μάθηση Καρκίνος του μαστού Βελτιστοποίηση Μεταφερόμενη εκμάθηση Επαύξηση δεδομένων Επεξεργασία εικόνας Convolutional neural networks Deep learning Breast cancer Optimization Transfer learning VGG-16 Data augmentation Image processing Γκάνος, Παναγιώτης Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
description |
Η απόδοση των περισσότερων συμβατικών συστημάτων ταξινόμησης βασίζεται στην κατάλληλη αναπαράσταση δεδομένων μέσω τεχνικών του feature engineering, μια δύσκολη και χρονοβόρα διαδικασία που στοχεύει στη δημιουργία χρήσιμων χαρακτηριστικών (features). Από την άλλη πλευρά, η βαθιά μάθηση μπορεί να εξαγάγει και να οργανώσει τις διακριτικές πληροφορίες από τα δεδομένα, χωρίς να απαιτείται ο σχεδιασμός των χαρακτηριστικών από έναν ειδικό τομέα. Τα Convolutional Neural Networks (CNN) είναι ένας συγκεκριμένος τύπος βαθιού, νευρωνικού δικτύου που έχει κερδίσει την προσοχή από την ερευνητική κοινότητα και τη βιομηχανία, επιτυγχάνοντας αξιοσημείωτες επιδόσεις σε εργασίες όπως η αναγνώριση ομιλίας, η επεξεργασία σήματος, η αναγνώριση αντικειμένων, η επεξεργασία φυσικής γλώσσας και η μεταφορά εκμάθησης. Στα πλαίσια αυτής της διπλωματικής εργασίας πραγματοποιήθηκε η διεξαγωγή μιας σειράς πειραμάτων χρησιμοποιώντας την προσέγγιση των συνελικτικών νευρωνικών δικτύων (CNN) με στόχο την κατηγοριοποίηση ιστοπαθολογικών εικόνων με νεοπλασίες του μαστού. Τα πειράματα βασίστηκαν πάνω σε εικόνες που ανακτήθηκαν από τον ισότοπο του BreakHis, ενός οργανισμού που παρέχει ελεύθερα δεδομένα ιατρικού περιεχομένου για ερευνητικούς σκοπούς. Τα πειράματα διαχωρίζονται σε δύο κατηγορίες, αυτή της δυαδικής ταξινόμησης κατά της οποία ο διαχωρισμός των εικόνων αφορά μόνο την φύση της νεοπλασίας καλοήθη ή κακοήθη και στην multi-class προσέγγιση βάσει της ο οποίας η διάκριση των εικόνων γίνεται σε 8 κλάσεις που αφορούν διάφορα είδη νεοπλασιών (καλοήθη και κακοήθη). Τα αποτελέσματα τα οποία συγκεντρώθηκαν συγκρίθηκαν με αρκετές αντίστοιχες προσεγγίσεις ανά τον κόσμο και τα συμπεράσματα είναι αξιοσημείωτα. |
author2 |
Gkanos, Panagiotis |
author_facet |
Gkanos, Panagiotis Γκάνος, Παναγιώτης |
author |
Γκάνος, Παναγιώτης |
author_sort |
Γκάνος, Παναγιώτης |
title |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
title_short |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
title_full |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
title_fullStr |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
title_full_unstemmed |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
title_sort |
κατηγοριοποίηση ιστοπαθολογικών εικόνων του μαστού με χρήση βαθιάς μάθησης |
publishDate |
2020 |
url |
http://hdl.handle.net/10889/14048 |
work_keys_str_mv |
AT nkanospanagiōtēs katēgoriopoiēsēistopathologikōneikonōntoumastoumechrēsēbathiasmathēsēs AT nkanospanagiōtēs breasttumorclassificationwithdeeplearning |
_version_ |
1771297188380409856 |