Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης
Στην παρούσα διπλωματική εργασία παρουσιάζεται μία μεθοδολογία για την αυτόματη κατηγοριοποίηση ιστοπαθολογικών εικόνων νεοπλασιών του μαστού με χρήση συστημάτων που βοηθούν στη διάγνωση μέσω υπολογιστή (computer-assisted diagnosis systems – CAD systems). Για την ανάπτυξη αυτής της μεθοδολογίας, αξι...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14598 |
| id |
nemertes-10889-14598 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-145982022-09-05T06:57:26Z Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης Classification of histopathological images with transfer learning techniques Δήμου, Λουκία Dimou, Loukia Καρκίνος του μαστού Ιστοπαθολογία Ανάλυση ιατρικών εικόνων Διάγνωση με τη βοήθεια υπολογιστή Κατηγοριοποίηση εικόνων Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Μεταφερόμενη μάθηση Breast cancer Histopathology Medical image analysis Computer-aided diagnosis Image classification Deep learning CNNs Transfer learning AlexNet Στην παρούσα διπλωματική εργασία παρουσιάζεται μία μεθοδολογία για την αυτόματη κατηγοριοποίηση ιστοπαθολογικών εικόνων νεοπλασιών του μαστού με χρήση συστημάτων που βοηθούν στη διάγνωση μέσω υπολογιστή (computer-assisted diagnosis systems – CAD systems). Για την ανάπτυξη αυτής της μεθοδολογίας, αξιοποιείται η προσέγγιση της βαθιάς μάθησης (deep learning) και συγκεκριμένα τα συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks – CNNs), καθώς είναι πιο αξιόπιστα και ακριβή συγκριτικά με άλλες συμβατικές μεθόδους κατηγοριοποίησης. Στα πλαίσια αυτής της εργασίας, διεξάχθηκαν πολλά διαφορετικά είδη πειραμάτων με στόχο τη μελέτη της ακρίβειας κατηγοριοποίησης των ιστοπαθολογικών εικόνων της συλλογής δεδομένων BreaKHis, που είναι ευρέως διαθέσιμη για ερευνητικούς σκοπούς. Τα αποτελέσματα που προέκυψαν μέσω της πειραματικής διαδικασίας συγκρίνονται με αυτά άλλων αντίστοιχων επιστημονικών εργασιών και κρίνονται ως αξιοσημείωτα. In this thesis is presented a methodology for the automatic classification of histopathological images of breast neoplasms using computer-assisted diagnosis systems (CAD systems). For the development of this methodology, the deep learning approach is utilized and specifically the Convolutional Neural Networks (CNNs), as they are more reliable and accurate compared to other conventional classification methods. In the context of this work, many different types of experiments were conducted in order to study the accuracy of the histopathological images of the BreaKHis data set, which is widely available for research purposes. The results obtained through the experimental process are compared with those of other corresponding scientific works and are considered as noteworthy. 2021-03-05T07:07:14Z 2021-03-05T07:07:14Z 2021 http://hdl.handle.net/10889/14598 gr application/pdf winzip/winrar |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Καρκίνος του μαστού Ιστοπαθολογία Ανάλυση ιατρικών εικόνων Διάγνωση με τη βοήθεια υπολογιστή Κατηγοριοποίηση εικόνων Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Μεταφερόμενη μάθηση Breast cancer Histopathology Medical image analysis Computer-aided diagnosis Image classification Deep learning CNNs Transfer learning AlexNet |
| spellingShingle |
Καρκίνος του μαστού Ιστοπαθολογία Ανάλυση ιατρικών εικόνων Διάγνωση με τη βοήθεια υπολογιστή Κατηγοριοποίηση εικόνων Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Μεταφερόμενη μάθηση Breast cancer Histopathology Medical image analysis Computer-aided diagnosis Image classification Deep learning CNNs Transfer learning AlexNet Δήμου, Λουκία Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| description |
Στην παρούσα διπλωματική εργασία παρουσιάζεται μία μεθοδολογία για την αυτόματη κατηγοριοποίηση ιστοπαθολογικών εικόνων νεοπλασιών του μαστού με χρήση συστημάτων που βοηθούν στη διάγνωση μέσω υπολογιστή (computer-assisted diagnosis systems – CAD systems). Για την ανάπτυξη αυτής της μεθοδολογίας, αξιοποιείται η προσέγγιση της βαθιάς μάθησης (deep learning) και συγκεκριμένα τα συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks – CNNs), καθώς είναι πιο αξιόπιστα και ακριβή συγκριτικά με άλλες συμβατικές μεθόδους κατηγοριοποίησης. Στα πλαίσια αυτής της εργασίας, διεξάχθηκαν πολλά διαφορετικά είδη πειραμάτων με στόχο τη μελέτη της ακρίβειας κατηγοριοποίησης των ιστοπαθολογικών εικόνων της συλλογής δεδομένων BreaKHis, που είναι ευρέως διαθέσιμη για ερευνητικούς σκοπούς. Τα αποτελέσματα που προέκυψαν μέσω της πειραματικής διαδικασίας συγκρίνονται με αυτά άλλων αντίστοιχων επιστημονικών εργασιών και κρίνονται ως αξιοσημείωτα. |
| author2 |
Dimou, Loukia |
| author_facet |
Dimou, Loukia Δήμου, Λουκία |
| author |
Δήμου, Λουκία |
| author_sort |
Δήμου, Λουκία |
| title |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| title_short |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| title_full |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| title_fullStr |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| title_full_unstemmed |
Κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| title_sort |
κατηγοριοποίηση ιστοπαθολογικών εικόνων με τεχνικές μεταφερόμενης μάθησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14598 |
| work_keys_str_mv |
AT dēmouloukia katēgoriopoiēsēistopathologikōneikonōnmetechnikesmetapheromenēsmathēsēs AT dēmouloukia classificationofhistopathologicalimageswithtransferlearningtechniques |
| _version_ |
1771297171499384832 |
