Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών

Ο αρχικός σκοπός της εργασίας αυτής ήταν να δημιουργηθεί μια εφαρμογή η οποία θα πραγματοποιεί μια πρώτη διάγνωση των μόλων, εξετάζοντας για το εάν αυτοί είναι φυσιολογικοί ή όχι, και θα λειτουργεί δηλαδή συμπληρωματικά με τους δερματολόγους. Αρχικά έγινε μια έρευνα σε προηγούμενες εργασίες οι οποίε...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Κούσης, Ιωάννης
Άλλοι συγγραφείς: Kousis, Ioannis
Γλώσσα:Greek
Έκδοση: 2021
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/14888
Περιγραφή
Περίληψη:Ο αρχικός σκοπός της εργασίας αυτής ήταν να δημιουργηθεί μια εφαρμογή η οποία θα πραγματοποιεί μια πρώτη διάγνωση των μόλων, εξετάζοντας για το εάν αυτοί είναι φυσιολογικοί ή όχι, και θα λειτουργεί δηλαδή συμπληρωματικά με τους δερματολόγους. Αρχικά έγινε μια έρευνα σε προηγούμενες εργασίες οι οποίες είχαν ασχοληθεί με το θέμα αυτό. Έπειτα αποφασίσαμε να εμβαθύνουμε στην ιατρική φύση του προβλήματος, μαθαίνοντας περισσότερα πράγματα για τις δερματικές ασθένειες με τις οποίες θα ασχοληθούμε. Ακολούθως αναλύσαμε τη δομή του dataset που διαθέταμε βλέποντας πως τα κύρια προβλήματα που είχαμε να αντιμετωπίσουμε ήταν η ομοιότητα στη μορφή μεταξύ των κλάσεων, αλλά και η ανισορροπία στη κατανομή τους. Μερικές από τις τεχνικές που χρησιμοποιήσαμε ήταν: Data augmentation, transfer learning, fine tuning. Τα μοντέλα που χρησιμοποιήσαμε ήταν τα: ένα απλό CNN, AlexNet, VGG19, Resnet50, InceptionV3, MobileNet, InceptionResNetV2, DenseNet121, DenseNet169 και DenseNet201. Τέλος το μοντέλο που επιλέξαμε ήταν το DenseNet169 και εφαρμόσαμε σε αυτό και τις τρεις τεχνικές που αναφέραμε πετυχαίνοντας ακρίβεια 87.29%. Επιπλέον δοκιμάσαμε να εισάγουμε την εικόνα στο testing set 4 φορές πραγματοποιώντας μια διαφορετική περιστροφή της κάθε φορά και στη συνέχεια υπολογίζαμε τον μέσο όρο των αποτελεσμάτων που μας έδινε το κάθε μοντέλο. Η τεχνική αυτή πέτυχε βελτίωση του μοντέλου κατά 1.23%. Επίσης για τη πρόβλεψη υπολογίσαμε και το μέσο όρο διαφορετικών μοντέλων στα οποία εισαγάγαμε την ίδια εικόνα με βελτίωση του αποτελέσματος κατά 1.73%. Τις τεχνικές αυτές δεν τις χρησιμοποιήσαμε στο τελικό μοντέλο. Στη συνέχεια κατασκευάσαμε μια εφαρμογή Android στην οποία τοποθετήσαμε το DenseNet169 μοντέλο. Η εφαρμογή μας δίνει τη δυνατότητα να πραγματοποιήσουμε μια λήψη της δερματικής βλάβης την οποία θέλουμε να εξετάσουμε, να περικόψουμε χειροκίνητα τη φωτογραφία και να κρατήσουμε τη περιοχή που μας ενδιαφέρει. Επιπρόσθετος κάποιες άλλες δυνατότητες της εφαρμογής είναι η δημιουργία λογαριασμού από το χρήστη για να του παρέχουμε authentication καθώς και η δυνατότητα να υπολογίζει το χρονικό διάστημα το οποίο μπορεί να παραμείνει εκτεθειμένος στον ήλιο χωρίς να πάθει κάποιο έγκαυμα. Καταλήγοντας θεωρούμε ότι έχουμε αναπτύξει μια λειτουργική εφαρμογή η οποία μπορεί να αξιοποιηθεί για να συμβάλει στην έγκαιρη διάγνωση αλλά και τη πρόληψη των επικίνδυνων για την υγεία μας, καρκίνων του δέρματος.