Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων
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...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15564 |
| id |
nemertes-10889-15564 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-155642022-09-05T11:17:33Z Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων Binarry classification using convolutional neural networks for skin cancer detection Μακρυνίκας, Αντώνιος Makrynikas, Antonios Νευρωνικά δίκτυα Καρκίνος του δέρματος Μηχανική μάθηση Μελάνωμα Kατηγοριοποίηση σπίλων Εντοπισμός καρκίνου Convolutional neural networks Skin cancer Convolutional neural networks Moles Machine learning vgg resnet mobilenet Classification Skin cancer detaction Binarry classification Melanoma 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 . Deep learning has recently received increasing attention as a new classification method and has been applied with great success in various fields. A promising branch of Computer Vision concerns computer-aided diagnosis using medical images. The present dissertation refers to the categorization of skin moles into benign and malignant using various models of Convolutional Neural Networks. The purpose of this thesis is the study of the structural elements of CNNs, the analysis of their training and evaluation methods, as well as the presentation of the most important CNN architectures. Subsequently it was designed and developed a web application in which it was used the model with the best results in order to detect possible skin cancer. The classification procedures tested are based on Deep Neural Networks (DNN) techniques, namely Convergent Neural Networks (CNNs). Today, these networks are part of the state-of-the-art pattern recognition techniques and especially the techniques for classifying medical data (images).CNN exist in different architectures, with different depths, different number of convolutions, different activation functions and many other parameters and technologies. In the present work we examined: (Vgg16, Vgg19, ResNet50, DesNet101, MobileNet). For the training and control of the systems, as medical data, images of skin moles were used which were classified (separated) into positive (malignant) and negative (benign). Specifically, the ISIC Database was used which contains a total of 16,297 images. 2021-11-10T12:10:03Z 2021-11-10T12:10:03Z 11-11-03 http://hdl.handle.net/10889/15564 gr application/pdf application/vnd.openxmlformats-officedocument.presentationml.presentation winrar |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Καρκίνος του δέρματος Μηχανική μάθηση Μελάνωμα Kατηγοριοποίηση σπίλων Εντοπισμός καρκίνου Convolutional neural networks Skin cancer Convolutional neural networks Moles Machine learning vgg resnet mobilenet Classification Skin cancer detaction Binarry classification Melanoma |
| spellingShingle |
Νευρωνικά δίκτυα Καρκίνος του δέρματος Μηχανική μάθηση Μελάνωμα Kατηγοριοποίηση σπίλων Εντοπισμός καρκίνου Convolutional neural networks Skin cancer Convolutional neural networks Moles Machine learning vgg resnet mobilenet Classification Skin cancer detaction Binarry classification Melanoma Μακρυνίκας, Αντώνιος Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| description |
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 . |
| author2 |
Makrynikas, Antonios |
| author_facet |
Makrynikas, Antonios Μακρυνίκας, Αντώνιος |
| author |
Μακρυνίκας, Αντώνιος |
| author_sort |
Μακρυνίκας, Αντώνιος |
| title |
Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| title_short |
Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| title_full |
Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| title_fullStr |
Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| title_full_unstemmed |
Κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| title_sort |
κατηγοριοποίηση σπίλων με χρήση διαφορετικών προ-εκπαιδευμένων συνελικτικών δικτύων |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15564 |
| work_keys_str_mv |
AT makrynikasantōnios katēgoriopoiēsēspilōnmechrēsēdiaphoretikōnproekpaideumenōnsyneliktikōndiktyōn AT makrynikasantōnios binarryclassificationusingconvolutionalneuralnetworksforskincancerdetection |
| _version_ |
1771297214712250368 |
