| Περίληψη: | Η βαθιά μάθηση έχει λάβει πρόσφατα αυξημένη προσοχή ως μια νέα μέθοδος ταξινόμησης και έχει εφαρμοστεί με μεγάλη επιτυχία σε διάφορους τομείς. ΄Ενα πολλά υποσχόµενο παρακλάδι της ΄Ορασης Υπολογιστών αφορά την υποβοηθούµενη διάγνωση (computer-aided diagnosis) µε την χρήση ιατρικών εικόνων. Η παρούσα διπλωματική εργασία, αναφέρεται στην κατηγοριοποίηση σπίλων σε καλοήθη και κακοήθη με τη χρήση διαφόρων μοντέλων Συνελικτικών Νευρωνικών Δικτύων.
Σκοπός της παρούσας διπλωµατικής εργασίας είναι η µελέτη των δοµικών στοιχείων των CNNs, η ανάλυση των µεθόδων εκπαίδευσης και αξιολόγησης τους, καθώς και η παρουσίαση των σηµαντικότερων CNN αρχιτεκτονικών. Στη συνέχεια, υλοποιήθηκε δικτυακός τόπος στον οποίο χρησιμοποιήθηκε το μοντέλο με τα βέλτιστα αποτελέσματα προκειμένου να εντοπίζετε πιθανός καρκίνος του δέρματος. Οι διαδικασίες ταξινόμησης που δοκιμάστηκαν βασίζονται σε τεχνικές βαθιών νευρωνικών δικτύων (DNN) και συγκεκριμένα των Συνελικτικών Νευρωνικών Δικτύων (CNN). Σήμερα, τα δίκτυα αυτά εντάσσονται στο state-of-the-art των τεχνικών αναγνώρισης προτύπων και ιδιαίτερα στις τεχνικές που αφορούν ταξινόμηση ιατρικών δεδομένων (εικόνων). Τα CNN υπάρχουν σε διάφορες αρχιτεκτονικές, με διαφορετικό βάθος, διαφορετικό πλήθος συνελίξεων, διαφορετικές συναρτήσεις ενεργοποίησης και πολλές άλλες παραμέτρους και τεχνολογίες. Στην παρούσα εργασία εξετάσαμε: (Vgg16, Vgg19, ResNet50, DesNet101, MobileNet). Για την εκπαίδευση και τον έλεγχο των συστημάτων, ως ιατρικά δεδομένα, χρησιμοποιήθηκαν εικόνες ελιών οι οποίες ταξινομήθηκαν (διαχωρίστηκαν) σε θετικές (κακοήθη) και αρνητικές (καλοήθη). Συγκεκριμένα, χρησιμοποιήθηκε η Βάση Δεδομένων ISIC που περιέχει συνολικά 16.297 εικόνες .
|
|---|
