Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας
Στη συγκεκριμένη μεταπτυχιακή διπλωματική εργασία παρουσιάζεται ένα ολοκληρωμένο υπολογιστικό σύστημα υποβοήθησης (Computer-Aided System) σχετικά με την διάγνωση του καρκίνου του μαστού, βασισμένο στα νευρωνικά δίκτυα και την εκπαίδευση με εποπτεία. Ως κύρια βάση δεδομένων για την παραπάνω διαδικασί...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14927 |
| id |
nemertes-10889-14927 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-149272022-09-06T05:14:28Z Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας Automatic diagnosis of neoplasms in craniocaudal and mediolateral oblique views Ηλίας, Παναγιώτης Ilias, Panagiotis Νεοπλασίες Διάγνωση Καρκίνος του μαστού Breast cancer Diagnose Στη συγκεκριμένη μεταπτυχιακή διπλωματική εργασία παρουσιάζεται ένα ολοκληρωμένο υπολογιστικό σύστημα υποβοήθησης (Computer-Aided System) σχετικά με την διάγνωση του καρκίνου του μαστού, βασισμένο στα νευρωνικά δίκτυα και την εκπαίδευση με εποπτεία. Ως κύρια βάση δεδομένων για την παραπάνω διαδικασία του έλαβε χώρα, αξιοποιήθηκε η DDSM – CBIS, μίας ευρέως γνωστή και έγκυρη πηγή στοιχείων. Αρχικά, πραγματοποιήθηκε διαχωρισμός, αξιοποιώντας τις διαφορετικές προβολές μαστογραφίας, για το εκάστοτε στήθος του αντίστοιχου ασθενή, των δύο βασικών κατηγοριών καρκινικών όγκων, δηλαδή, καλοήθη και κακοήθη. Για την παραπάνω διαδικασία, τέθηκαν σε εφαρμογή μία ποικιλία αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων, με σκοπό την αξιολόγηση και την κατασκευή του βέλτιστου δυνατού κατηγοροποιητή. Μετά την επιτυχημένη δημιουργία της παραπάνω διάταξης, έλαβε χώρα η δημιουργία ενός συστήματος με σκοπό την παροχή μίας ευρύτερης διάγνωσης για το άτομο που είχε λάβει υποβληθεί στην εξέταση, βασιζόμενη πάνω στην διάγνωση της εκάστοτε προβολής μαστογραφίας. Τέλος, για την συγκεκριμένη διεργασία αξιοποιήθηκαν shallow νευρωνικά δίκτυα. This postgraduate thesis presents a comprehensive system that acts as Computer Aided System (C.A.D) in order to provide an assistive prediction, regarding breast cancer diagnose procedure. This solution was rendered possible by using deep learning, image based supervised classification. As the main dataset for training, validation and testing procedures, DDSM-CBIS, a widely used, database, with size over 152 GB, was deployed. First, we managed to identify whether mass cases were malignant or benign, by training our system with both lateral and oblique mammographic projections. The main training architecture that we deployed was convolutional neural networks for image classification. Finally, we developed a system which evaluates the predictions for each mammographic view and provides a general estimation regarding the malignance of the cancer mass. To do that, the previous estimations are reviewed by shallow neural networks which provide the final estimation for the respective patient. 2021-07-07T09:52:40Z 2021-07-07T09:52:40Z 2021-06-06 http://hdl.handle.net/10889/14927 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νεοπλασίες Διάγνωση Καρκίνος του μαστού Breast cancer Diagnose |
| spellingShingle |
Νεοπλασίες Διάγνωση Καρκίνος του μαστού Breast cancer Diagnose Ηλίας, Παναγιώτης Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| description |
Στη συγκεκριμένη μεταπτυχιακή διπλωματική εργασία παρουσιάζεται ένα ολοκληρωμένο υπολογιστικό σύστημα υποβοήθησης (Computer-Aided System) σχετικά με την διάγνωση του καρκίνου του μαστού, βασισμένο στα νευρωνικά δίκτυα και την εκπαίδευση με εποπτεία. Ως κύρια βάση δεδομένων για την παραπάνω διαδικασία του έλαβε χώρα, αξιοποιήθηκε η DDSM – CBIS, μίας ευρέως γνωστή και έγκυρη πηγή στοιχείων. Αρχικά, πραγματοποιήθηκε διαχωρισμός, αξιοποιώντας τις διαφορετικές προβολές μαστογραφίας, για το εκάστοτε στήθος του αντίστοιχου ασθενή, των δύο βασικών κατηγοριών καρκινικών όγκων, δηλαδή, καλοήθη και κακοήθη. Για την παραπάνω διαδικασία, τέθηκαν σε εφαρμογή μία ποικιλία αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων, με σκοπό την αξιολόγηση και την κατασκευή του βέλτιστου δυνατού κατηγοροποιητή. Μετά την επιτυχημένη δημιουργία της παραπάνω διάταξης, έλαβε χώρα η δημιουργία ενός συστήματος με σκοπό την παροχή μίας ευρύτερης διάγνωσης για το άτομο που είχε λάβει υποβληθεί στην εξέταση, βασιζόμενη πάνω στην διάγνωση της εκάστοτε προβολής μαστογραφίας. Τέλος, για την συγκεκριμένη διεργασία αξιοποιήθηκαν shallow νευρωνικά δίκτυα. |
| author2 |
Ilias, Panagiotis |
| author_facet |
Ilias, Panagiotis Ηλίας, Παναγιώτης |
| author |
Ηλίας, Παναγιώτης |
| author_sort |
Ηλίας, Παναγιώτης |
| title |
Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| title_short |
Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| title_full |
Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| title_fullStr |
Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| title_full_unstemmed |
Αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| title_sort |
αυτόματη διάγνωση νεοπλασιών σε λοξές και πλάγιες προβολές μαστογραφίας |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14927 |
| work_keys_str_mv |
AT ēliaspanagiōtēs automatēdiagnōsēneoplasiōnseloxeskaiplagiesprobolesmastographias AT ēliaspanagiōtēs automaticdiagnosisofneoplasmsincraniocaudalandmediolateralobliqueviews |
| _version_ |
1799945003715264512 |
