Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης

Σκοπός της παρούσας διπλωματικής εργασίας είναι η εύρεση ποιοτικής ερμηνείας των χαρακτηριστικών επιπέδων ενός νευρωνικού δικτύου που θα μπορεί να αναδείξει ότι τα νευρωνικά δίκτυα που είναι εκπαιδευμένα για την εύρεση του καρκίνου του μαστού σε μαστογραφίες είναι σε θέση να παράγουν επεξηγηματικές...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Εμμανουηλίδης, Νεκτάριος
Άλλοι συγγραφείς:	Emmanouilidis, Nektarios
Γλώσσα:	Greek
Έκδοση:	2021
Θέματα:	Μηχανική μάθηση Νευρωνικά δίκτυα Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος μαστού Machine learning Neural networks Mammography Convolutional neural networks Breast cancer
Διαθέσιμο Online:	http://hdl.handle.net/10889/14961

id	nemertes-10889-14961
record_format	dspace
spelling	nemertes-10889-149612022-09-05T20:47:15Z Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης Detection of tumors in digital mammography with deep learning techniques Εμμανουηλίδης, Νεκτάριος Emmanouilidis, Nektarios Μηχανική μάθηση Νευρωνικά δίκτυα Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος μαστού Machine learning Neural networks Mammography Convolutional neural networks Breast cancer Σκοπός της παρούσας διπλωματικής εργασίας είναι η εύρεση ποιοτικής ερμηνείας των χαρακτηριστικών επιπέδων ενός νευρωνικού δικτύου που θα μπορεί να αναδείξει ότι τα νευρωνικά δίκτυα που είναι εκπαιδευμένα για την εύρεση του καρκίνου του μαστού σε μαστογραφίες είναι σε θέση να παράγουν επεξηγηματικές περιγραφές που μπορούν υποστηρίξουν τις τελικές αποφάσεις της ταξινόμησης. Αυτό το βλέπουμε ως ένα σημαντικό πρώτο βήμα προς την ερμηνεία των εσωτερικών αναπαραστάσεων ενός νευρωνικού δικτύου και την δικαιολόγηση των προβλέψεων του. Η υλοποίηση του συστήματος έγινε σε περιβάλλον Python χρησιμοποιώντας τη βιβλιοθήκη PyTorch. Το παρών σύστημα εκπαιδεύτηκε και αξιολογήθηκε χρησιμοποιώντας μία βάση δεδομένων που αποτελείται από ψηφιοποιημένες μαστογραφίες οι οποίες αρχικά καταγράφηκαν από αναλογικό μαστογράφο. Στο πρώτο κεφάλαιο παρατίθενται γενικά στοιχεία για την ανατομία και τη φυσιολογία του μαστού, την έκταση και τα είδη του καρκίνου του μαστού, τις αιτίες εμφάνισης, τις διαγνωστικές μεθόδους καθώς και κάποια σχετικά επιδημιολογικά στοιχεία. Στο δεύτερο κεφάλαιο παρουσιάζονται τα νευρωνικά δίκτυα και η λειτουργία τους, δίνοντας ιδιαίτερη έμφαση στα επίπεδα που απαρτίζουν τα συνελικτικά νευρωνικά δίκτυα και την διαδικασία εκπαίδευσης τους. Στο τρίτο κεφάλαιο παρουσιάζονται τα στάδια της πειραματικής διαδικασίας που ακολουθήθηκαν και γίνεται ανάλυση της αρχιτεκτονικής και της λειτουργίας του νευρωνικού δικτύου CNN, καθώς και της μεθόδου εξαγωγής των εσωτερικών αναπαραστάσεων. Στο τέταρτο και τελευταίο κεφάλαιο παρατίθενται τα αποτελέσματα των πειραμάτων που πραγματοποιήθηκαν, παρουσιάζονται τα συμπεράσματα που εξάγονται με βάση αυτά και γίνεται αναφορά σε δυνητικές βελτιώσεις. The aim of this dissertation is to find a qualitative interpretation of the characteristic levels of a neural network that can show that neural networks trained to detect breast cancer on mammograms are able to produce explanatory descriptions that can support the final decisions of classification. We see this as an important first step towards interpreting the internal representations of a neural network and justifying its predictions. The system was implemented in a Python environment using the PyTorch library. The present system was trained and evaluated using a database consisting of digitized mammograms which were originally recorded by an analog mammogram. The first chapter provides general information on the anatomy and physiology of the breast, the extent and types of breast cancer, the causes, the diagnostic methods and some relevant epidemiological data. The second chapter presents the neural networks and their function, with particular emphasis on the levels of the cohesive neural networks and their training process. The third chapter presents the stages of the experimental process followed and analyzes the architecture and operation of the CNN neural network, as well as the method of extracting the internal representations. The fourth and last chapter presents the results of the experiments performed, presents the conclusions drawn based on them and mentions potential improvements. 2021-07-09T10:29:12Z 2021-07-09T10:29:12Z 2021-07-08 http://hdl.handle.net/10889/14961 gr application/pdf
institution	UPatras
collection	Nemertes
language	Greek
topic	Μηχανική μάθηση Νευρωνικά δίκτυα Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος μαστού Machine learning Neural networks Mammography Convolutional neural networks Breast cancer
spellingShingle	Μηχανική μάθηση Νευρωνικά δίκτυα Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος μαστού Machine learning Neural networks Mammography Convolutional neural networks Breast cancer Εμμανουηλίδης, Νεκτάριος Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
description	Σκοπός της παρούσας διπλωματικής εργασίας είναι η εύρεση ποιοτικής ερμηνείας των χαρακτηριστικών επιπέδων ενός νευρωνικού δικτύου που θα μπορεί να αναδείξει ότι τα νευρωνικά δίκτυα που είναι εκπαιδευμένα για την εύρεση του καρκίνου του μαστού σε μαστογραφίες είναι σε θέση να παράγουν επεξηγηματικές περιγραφές που μπορούν υποστηρίξουν τις τελικές αποφάσεις της ταξινόμησης. Αυτό το βλέπουμε ως ένα σημαντικό πρώτο βήμα προς την ερμηνεία των εσωτερικών αναπαραστάσεων ενός νευρωνικού δικτύου και την δικαιολόγηση των προβλέψεων του. Η υλοποίηση του συστήματος έγινε σε περιβάλλον Python χρησιμοποιώντας τη βιβλιοθήκη PyTorch. Το παρών σύστημα εκπαιδεύτηκε και αξιολογήθηκε χρησιμοποιώντας μία βάση δεδομένων που αποτελείται από ψηφιοποιημένες μαστογραφίες οι οποίες αρχικά καταγράφηκαν από αναλογικό μαστογράφο. Στο πρώτο κεφάλαιο παρατίθενται γενικά στοιχεία για την ανατομία και τη φυσιολογία του μαστού, την έκταση και τα είδη του καρκίνου του μαστού, τις αιτίες εμφάνισης, τις διαγνωστικές μεθόδους καθώς και κάποια σχετικά επιδημιολογικά στοιχεία. Στο δεύτερο κεφάλαιο παρουσιάζονται τα νευρωνικά δίκτυα και η λειτουργία τους, δίνοντας ιδιαίτερη έμφαση στα επίπεδα που απαρτίζουν τα συνελικτικά νευρωνικά δίκτυα και την διαδικασία εκπαίδευσης τους. Στο τρίτο κεφάλαιο παρουσιάζονται τα στάδια της πειραματικής διαδικασίας που ακολουθήθηκαν και γίνεται ανάλυση της αρχιτεκτονικής και της λειτουργίας του νευρωνικού δικτύου CNN, καθώς και της μεθόδου εξαγωγής των εσωτερικών αναπαραστάσεων. Στο τέταρτο και τελευταίο κεφάλαιο παρατίθενται τα αποτελέσματα των πειραμάτων που πραγματοποιήθηκαν, παρουσιάζονται τα συμπεράσματα που εξάγονται με βάση αυτά και γίνεται αναφορά σε δυνητικές βελτιώσεις.
author2	Emmanouilidis, Nektarios
author_facet	Emmanouilidis, Nektarios Εμμανουηλίδης, Νεκτάριος
author	Εμμανουηλίδης, Νεκτάριος
author_sort	Εμμανουηλίδης, Νεκτάριος
title	Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
title_short	Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
title_full	Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
title_fullStr	Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
title_full_unstemmed	Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
title_sort	ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
publishDate	2021
url	http://hdl.handle.net/10889/14961
work_keys_str_mv	AT emmanouēlidēsnektarios anichneusēneoplasiōnsepsēphiakēmastographiametechnikesbatheiasmathēsēs AT emmanouēlidēsnektarios detectionoftumorsindigitalmammographywithdeeplearningtechniques
_version_	1771297280661389312

Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης

Παρόμοια τεκμήρια