Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων
Στην παρούσα διπλωματική εργασία θα μελετηθεί σε λεπτομέρεια η λειτουργία μιας ειδικής κατηγορίας Τεχνητών Νευρωνικών Δικτύων που χρησιμοποιούνται ευρέως σε προβλήματα Υπολογιστικής Όρασης και θα πραγματοποιηθεί κατηγοριοποίηση εικόνων σχετικά με το αν περιέχουν καρκινικά κύτταρα. Η υλοποίηση θα πρα...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14186 |
| id |
nemertes-10889-14186 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-141862022-09-05T20:40:29Z Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων Classification of images from histopathological examinations using convolutional neural networks Πετράκης, Κωνσταντίνος Petrakis, Konstantinos Συνελικτικά νευρωνικά δίκτυα Βαθιά μάθηση Ιστοπαθολογικές εικόνες Convolutional neural networks Deep learning Histopathological images Tensorflow 2.0 Στην παρούσα διπλωματική εργασία θα μελετηθεί σε λεπτομέρεια η λειτουργία μιας ειδικής κατηγορίας Τεχνητών Νευρωνικών Δικτύων που χρησιμοποιούνται ευρέως σε προβλήματα Υπολογιστικής Όρασης και θα πραγματοποιηθεί κατηγοριοποίηση εικόνων σχετικά με το αν περιέχουν καρκινικά κύτταρα. Η υλοποίηση θα πραγματοποιηθεί με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks). Οι εικόνες προς κατηγοριοποίηση που θα χρησιμοποιηθούν θα είναι από ιστοπαθολογικές εξετάσεις, και πιο συγκεκριμένα από το σύνολο δεδομένων PatchCamelyon. Θα υλοποιηθούν και θα δοκιμαστούν διάφορες αρχιτεκτονικές Συνελικτικών Νευρωνικών Δικτύων καθώς και παραλλαγές τους όσον αφορά τις υπέρ-παραμέτρους (hyperparameters) των δικτύων αυτών, και θα παρατεθούν τα αποτελέσματα όσον αφορά την ακρίβεια της κατηγοριοποίησης. Αναλυτικότερα θα συγκρίνουμε ως προς την απόδοση τα δίκτυα που θα υλοποιηθούν και θα εξετάσουμε ποια αρχιτεκτονική πετυχαίνει την καλύτερη απόδοση. Ακόμη θα εξεταστούν με λίγο περισσότερη λεπτομέρεια κάποια ειδικά επίπεδα των Συνελικτικών Νευρωνικών Δικτύων, όπως το BatchNormalization και το Dropout, και η ευεργετική επίδραση που μπορεί να έχει η χρήση τους στην γενικευτική ικανότητα των τελευταίων. Οι μετρικές ακρίβειας που θα χρησιμοποιηθούν είναι οι γνωστές και διαδεδομένες Accuracy, AUC, Precision και Recall, για τις διάφορες επιλογές παραμέτρων. Απώτερος στόχος είναι η κατηγοριοποίηση των εικόνων του συνόλου δεδομένων όσο το δυνατόν πιο αποτελεσματικά. Η υλοποίηση θα πραγματοποιηθεί σε Python με χρήση του Tensorflow 2.0 και της βιβλιοθήκης Keras. Ειδικότερα για την εκτέλεση των πειραμάτων εκμεταλλευτήκαμε πλήρως τους νέους τρόπους και τεχνικές που παρέχει η νέα έκδοση 2.0 του Tensorflow για την εκπαίδευση πάσης φύσεως μοντέλων Μηχανικής και Βαθιάς Μάθησης. In this thesis we will study in depth a special case of Artificial Neural Networks, which are mostly used in Computer Vision, and we will attempt to classify a set of images as to whether they contain cancer cells. The classification will be implemented with the use of Convolutional Neural Networks. The images we will use are patches of histopathological scans taken from the PatchCamelyon dataset. We will implement and test various Convolutional Neural Network architectures, tuning their hyperparameters and we will present the classification results. More specifically we will compare the performance of these implemented Convolutional Neural Networks and we will examine which architecture gives us the best performance. Furthermore, we will break down the functionality of some special layers for the Convolutional Neural Networks, like BatchNormalization and Dropout, and we will test the beneficial effect that their use may have in the performance of those models. We will measure the classification performance using some well known and widespread classification metrics like Accuracy, AUC, Precision and Recall. The ultimate goal is the best possible classification of the images. All the experiments were implemented in Python with the use of Tensorflow 2.0 and Keras. Particularly for the execution of the experiments, we took full advantage of the new practices provides by the new version 2.0 of Tensorflow, for training all kinds of Machine Learning and Deep Learning models. 2020-11-18T21:14:48Z 2020-11-18T21:14:48Z 2020-11-06 http://hdl.handle.net/10889/14186 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Συνελικτικά νευρωνικά δίκτυα Βαθιά μάθηση Ιστοπαθολογικές εικόνες Convolutional neural networks Deep learning Histopathological images Tensorflow 2.0 |
| spellingShingle |
Συνελικτικά νευρωνικά δίκτυα Βαθιά μάθηση Ιστοπαθολογικές εικόνες Convolutional neural networks Deep learning Histopathological images Tensorflow 2.0 Πετράκης, Κωνσταντίνος Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| description |
Στην παρούσα διπλωματική εργασία θα μελετηθεί σε λεπτομέρεια η λειτουργία μιας ειδικής κατηγορίας Τεχνητών Νευρωνικών Δικτύων που χρησιμοποιούνται ευρέως σε προβλήματα Υπολογιστικής Όρασης και θα πραγματοποιηθεί κατηγοριοποίηση εικόνων σχετικά με το αν περιέχουν καρκινικά κύτταρα. Η υλοποίηση θα πραγματοποιηθεί με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks). Οι εικόνες προς κατηγοριοποίηση που θα χρησιμοποιηθούν θα είναι από ιστοπαθολογικές εξετάσεις, και πιο συγκεκριμένα από το σύνολο δεδομένων PatchCamelyon. Θα υλοποιηθούν και θα δοκιμαστούν διάφορες αρχιτεκτονικές Συνελικτικών Νευρωνικών Δικτύων καθώς και παραλλαγές τους όσον αφορά τις υπέρ-παραμέτρους (hyperparameters) των δικτύων αυτών, και θα παρατεθούν τα αποτελέσματα όσον αφορά την ακρίβεια της κατηγοριοποίησης. Αναλυτικότερα θα συγκρίνουμε ως προς την απόδοση τα δίκτυα που θα υλοποιηθούν και θα εξετάσουμε ποια αρχιτεκτονική πετυχαίνει την καλύτερη απόδοση. Ακόμη θα εξεταστούν με λίγο περισσότερη λεπτομέρεια κάποια ειδικά επίπεδα των Συνελικτικών Νευρωνικών Δικτύων, όπως το BatchNormalization και το Dropout, και η ευεργετική επίδραση που μπορεί να έχει η χρήση τους στην γενικευτική ικανότητα των τελευταίων. Οι μετρικές ακρίβειας που θα χρησιμοποιηθούν είναι οι γνωστές και διαδεδομένες Accuracy, AUC, Precision και Recall, για τις διάφορες επιλογές παραμέτρων. Απώτερος στόχος είναι η κατηγοριοποίηση των εικόνων του συνόλου δεδομένων όσο το δυνατόν πιο αποτελεσματικά. Η υλοποίηση θα πραγματοποιηθεί σε Python με χρήση του Tensorflow 2.0 και της βιβλιοθήκης Keras. Ειδικότερα για την εκτέλεση των πειραμάτων εκμεταλλευτήκαμε πλήρως τους νέους τρόπους και τεχνικές που παρέχει η νέα έκδοση 2.0 του Tensorflow για την εκπαίδευση πάσης φύσεως μοντέλων Μηχανικής και Βαθιάς Μάθησης. |
| author2 |
Petrakis, Konstantinos |
| author_facet |
Petrakis, Konstantinos Πετράκης, Κωνσταντίνος |
| author |
Πετράκης, Κωνσταντίνος |
| author_sort |
Πετράκης, Κωνσταντίνος |
| title |
Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| title_short |
Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| title_full |
Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| title_fullStr |
Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| title_full_unstemmed |
Κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| title_sort |
κατηγοριοποίηση εικόνων από ιστοπαθολογικές εξετάσεις με χρήση συνελικτικών νευρωνικών δικτύων |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/14186 |
| work_keys_str_mv |
AT petrakēskōnstantinos katēgoriopoiēsēeikonōnapoistopathologikesexetaseismechrēsēsyneliktikōnneurōnikōndiktyōn AT petrakēskōnstantinos classificationofimagesfromhistopathologicalexaminationsusingconvolutionalneuralnetworks |
| _version_ |
1771297309136519168 |
