Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών
Η διπλωματική εργασία αυτή αφορά τον διαχωρισμό μαστογραφιών σε φυσιολογικές και μη φυσιολογικές με την χρήση ενός συνελικτικού νευρωνικού δικτύου. Ο καρκίνος του μαστού είναι η σημαντικότερη αιτία θανάτου των γυναικών στις μέρες μας. Η μαστογραφία είναι η πιο αποτελεσματική και ακριβής μέθοδος πρόλ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15209 |
| id |
nemertes-10889-15209 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Συστήματα ταξινόμησης Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος του μαστού Machine learning Classification systems Python Tensorflow Keras Mammogram Convolutional neural networks Transfer learning VGG16 Breast cancer |
| spellingShingle |
Μηχανική μάθηση Συστήματα ταξινόμησης Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος του μαστού Machine learning Classification systems Python Tensorflow Keras Mammogram Convolutional neural networks Transfer learning VGG16 Breast cancer Μαράντης, Παναγιώτης Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| description |
Η διπλωματική εργασία αυτή αφορά τον διαχωρισμό μαστογραφιών σε φυσιολογικές και μη φυσιολογικές με την χρήση ενός συνελικτικού νευρωνικού δικτύου. Ο καρκίνος του μαστού είναι η σημαντικότερη αιτία θανάτου των γυναικών στις μέρες μας. Η μαστογραφία είναι η πιο αποτελεσματική και ακριβής μέθοδος πρόληψης αλλά και διάγνωσης του καρκίνου του μαστού.
Για την καταπολέμηση της ασθένειας είναι πολύ σημαντικός ο εντοπισμός της σε όσο το δυνατόν πιο πρώιμο στάδιο. Ωστόσο, τα σημάδια ότι υπάρχει καρκίνος μπορεί ακόμα και στην μαστογραφία να μην είναι ξεκάθαρα, μέχρι και για έναν εξειδικευμένο ιατρό. Για τον λόγο αυτό μπορεί να είναι ιδιαίτερα χρήσιμο ένα σύστημα υψηλής ακρίβειας που αναγνωρίζει μη φυσιολογικές ενδείξεις σε μαστογραφίες και λειτουργεί επικουρικά στην διαδικασία διάγνωσης.
Στην εργασία αυτή αρχικά παρουσιάζονται τα βασικά στοιχεία για τον καρκίνο του μαστού και την μαστογραφία. Αυτά αφορούν μεθόδους διάγνωσης, τρόπους αντιμετώπισης και το πως γίνεται η μελέτη και η αξιολόγηση των ευρημάτων κάθε μαστογραφίας.
Ακολουθούν τα πιο σημαντικά στοιχεία για τα νευρωνικά δίκτυα, συστήματα που τα τελευταία χρόνια λόγω της εκθετικής αύξησης της επεξεργαστικής ισχύος των υπολογιστών έχουν συμβάλλει στο να γίνει τεράστια πρόοδος στη μηχανική μάθηση, ιδιαίτερα όσο αφορά αναγνώριση και ταξινόμηση εικόνων σε κατηγορίες.
Συγκεκριμένα, γίνεται πιο αναλυτική αναφορά στα συνελικτικά νευρωνικά δίκτυα. Αυτά είναι δίκτυα που, βασιζόμενα σε επίπεδα που εκτελούν την πράξη της συνέλιξης μεταξύ πινάκων, μπορούν να δώσουν πολύ καλά αποτελέσματα για ορισμένα προβλήματα. Απαιτούν ωστόσο μεγάλο όγκο δεδομένων για την εκπαίδευσή τους, πολλούς υπολογιστικούς πόρους αλλά και αρκετό χρόνο για να εκπαιδευτούν.
Τέλος, παρουσιάζεται το συνελικτικό δίκτυο για τον διαχωρισμό μαστογραφιών που σχεδιάστηκε στα πλαίσια αυτής της εργασίας. Δίνεται αναλυτικά η αρχιτεκτονική του καθώς και τα αποτελέσματα που πετυχαίνει το δίκτυο στο συγκεκριμένο πρόβλημα. |
| author2 |
Marantis, Panagiotis |
| author_facet |
Marantis, Panagiotis Μαράντης, Παναγιώτης |
| author |
Μαράντης, Παναγιώτης |
| author_sort |
Μαράντης, Παναγιώτης |
| title |
Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| title_short |
Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| title_full |
Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| title_fullStr |
Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| title_full_unstemmed |
Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| title_sort |
σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15209 |
| work_keys_str_mv |
AT marantēspanagiōtēs systēmaanagnōrisēskaidiachōrismouygiōnkaiasthenōnmastographiōn AT marantēspanagiōtēs recognitionandclassificationmachinelearningsystemfornormalandabnormalmammograms |
| _version_ |
1771297343667175424 |
| spelling |
nemertes-10889-152092022-09-05T20:53:51Z Σύστημα αναγνώρισης και διαχωρισμού υγιών και ασθενών μαστογραφιών Recognition and classification machine learning system for normal and abnormal mammograms Μαράντης, Παναγιώτης Marantis, Panagiotis Μηχανική μάθηση Συστήματα ταξινόμησης Μαστογραφία Συνελικτικά νευρωνικά δίκτυα Καρκίνος του μαστού Machine learning Classification systems Python Tensorflow Keras Mammogram Convolutional neural networks Transfer learning VGG16 Breast cancer Η διπλωματική εργασία αυτή αφορά τον διαχωρισμό μαστογραφιών σε φυσιολογικές και μη φυσιολογικές με την χρήση ενός συνελικτικού νευρωνικού δικτύου. Ο καρκίνος του μαστού είναι η σημαντικότερη αιτία θανάτου των γυναικών στις μέρες μας. Η μαστογραφία είναι η πιο αποτελεσματική και ακριβής μέθοδος πρόληψης αλλά και διάγνωσης του καρκίνου του μαστού. Για την καταπολέμηση της ασθένειας είναι πολύ σημαντικός ο εντοπισμός της σε όσο το δυνατόν πιο πρώιμο στάδιο. Ωστόσο, τα σημάδια ότι υπάρχει καρκίνος μπορεί ακόμα και στην μαστογραφία να μην είναι ξεκάθαρα, μέχρι και για έναν εξειδικευμένο ιατρό. Για τον λόγο αυτό μπορεί να είναι ιδιαίτερα χρήσιμο ένα σύστημα υψηλής ακρίβειας που αναγνωρίζει μη φυσιολογικές ενδείξεις σε μαστογραφίες και λειτουργεί επικουρικά στην διαδικασία διάγνωσης. Στην εργασία αυτή αρχικά παρουσιάζονται τα βασικά στοιχεία για τον καρκίνο του μαστού και την μαστογραφία. Αυτά αφορούν μεθόδους διάγνωσης, τρόπους αντιμετώπισης και το πως γίνεται η μελέτη και η αξιολόγηση των ευρημάτων κάθε μαστογραφίας. Ακολουθούν τα πιο σημαντικά στοιχεία για τα νευρωνικά δίκτυα, συστήματα που τα τελευταία χρόνια λόγω της εκθετικής αύξησης της επεξεργαστικής ισχύος των υπολογιστών έχουν συμβάλλει στο να γίνει τεράστια πρόοδος στη μηχανική μάθηση, ιδιαίτερα όσο αφορά αναγνώριση και ταξινόμηση εικόνων σε κατηγορίες. Συγκεκριμένα, γίνεται πιο αναλυτική αναφορά στα συνελικτικά νευρωνικά δίκτυα. Αυτά είναι δίκτυα που, βασιζόμενα σε επίπεδα που εκτελούν την πράξη της συνέλιξης μεταξύ πινάκων, μπορούν να δώσουν πολύ καλά αποτελέσματα για ορισμένα προβλήματα. Απαιτούν ωστόσο μεγάλο όγκο δεδομένων για την εκπαίδευσή τους, πολλούς υπολογιστικούς πόρους αλλά και αρκετό χρόνο για να εκπαιδευτούν. Τέλος, παρουσιάζεται το συνελικτικό δίκτυο για τον διαχωρισμό μαστογραφιών που σχεδιάστηκε στα πλαίσια αυτής της εργασίας. Δίνεται αναλυτικά η αρχιτεκτονική του καθώς και τα αποτελέσματα που πετυχαίνει το δίκτυο στο συγκεκριμένο πρόβλημα. This assignment deals with the separation of mammograms into normal and abnormal using a convolutional neural network. Breast cancer is the leading cause of death for women today. Mammography is the most effective and accurate method of prevention and diagnosis of breast cancer. To combat the disease, it is very important to detect it at the earliest possible stage. However, the signs of cancer may not be clear on a mammogram, even for a specialist. For this reason, a high-precision system that recognizes abnormal signs on mammograms and is ancillary to the diagnostic process may be particularly useful. This paper first presents the basics of breast cancer and mammography. These relate to diagnostic methods, treatment methods and how the findings of each mammogram are studied and evaluated. Next, we present the most important elements for neural networks, systems that in recent years due to the exponential increase in the processing power of computers have contributed to huge advances in machine learning, especially in terms of image recognition and classification. In particular, more detailed reference is made to the convolutional neural networks. These are networks that, based on levels that perform the act of convolution between arrays, can give very good results for some problems. However, they require a large amount of data for their training, many computing resources and enough time to be trained. Finally, the convolutional mammography separation network designed as part of this work is presented. Its architecture is given in detail, as well as the results that the network achieves in the specific problem. 2021-09-24T07:23:59Z 2021-09-24T07:23:59Z 2021-09-23 http://hdl.handle.net/10889/15209 gr application/pdf application/pdf |
