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...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2021
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/14888 |
id |
nemertes-10889-14888 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Ανάλυση μελανωμάτων Εφαρμογές κινητών Βαθιά μάθηση Μηχανική μάθηση Melanoma diagnosis Android apps Deep learning Machine learning |
spellingShingle |
Ανάλυση μελανωμάτων Εφαρμογές κινητών Βαθιά μάθηση Μηχανική μάθηση Melanoma diagnosis Android apps Deep learning Machine learning Κούσης, Ιωάννης Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
description |
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. |
author2 |
Kousis, Ioannis |
author_facet |
Kousis, Ioannis Κούσης, Ιωάννης |
author |
Κούσης, Ιωάννης |
author_sort |
Κούσης, Ιωάννης |
title |
Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
title_short |
Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
title_full |
Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
title_fullStr |
Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
title_full_unstemmed |
Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
title_sort |
σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών |
publishDate |
2021 |
url |
http://hdl.handle.net/10889/14888 |
work_keys_str_mv |
AT kousēsiōannēs schediasmoseuphyoussystēmatosgiatēnanalysēmelanōmatōnmesōkinētōnsyskeuōn AT kousēsiōannēs intelligentsystemdesignformelanomadiagnosisviamobiledevice |
_version_ |
1771297310307778560 |
spelling |
nemertes-10889-148882022-09-05T20:12:37Z Σχεδιασμός ευφυούς συστήματος για την ανάλυση μελανωμάτων μέσω κινητών συσκευών Intelligent system design for melanoma diagnosis via mobile device Κούσης, Ιωάννης Kousis, Ioannis Ανάλυση μελανωμάτων Εφαρμογές κινητών Βαθιά μάθηση Μηχανική μάθηση Melanoma diagnosis Android apps Deep learning Machine learning 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. The initial purpose of this work was to create an application that would make a first diagnosis of the mole, considering whether they are normal or not, and will function in addition to dermatologists. Initially, there was an investigation into previous work that had dealt with this issue. Then we decided to deepen the medical nature of the problem, learning more about the skin diseases we will be dealing with. Then we analyzed the structure of the dataset that we had, seeing how the main problems we had to face were the similarity in the form between the classes, but also the imbalance in their distribution. Some of the techniques we used were: Data augmentation, transfer learning, fine tuning. The models we used were the: a simple CNN, AlexNet, VGG19, Rest50, InceptionV3, MobileNet, InceptionResNetV2, DenseNet121, DenseNet169 and DenseNet201. Finally, the model we chose was the DenseNet169 and we applied to it all three techniques we mentioned, achieving accuracy of 87.29%. In addition, we tried to insert the image into the testing set 4 times by performing a different rotation at a time and then counting the average of the results given to us by each model. This technique achieved an improvement of the model by 1.23%. We also calculated the average of different models in which we introduced the same image with an improvement in the result by 1.73%. We did not use these techniques in the final model. Then we built an Android application in which we placed the DenseNet169 model. The application enables us to make a reception of the skin damage that we want to examine, crop the photo manually and keep the area we are interested in. In addition, some other features of the application are the creation of an account by the user to provide him with authentication as well as the ability to calculate the amount of time that may remain exposed to the sun without having a sunburn. In conclusion we consider that we have developed a functional application which can be utilized to help in early diagnosis and prevention of our dangerous health, skin cancers 2021-07-01T07:40:52Z 2021-07-01T07:40:52Z 2019-07-09 http://hdl.handle.net/10889/14888 gr application/pdf |