Το σύστημα θα κλείσει για προγραμματισμένες εργασίες συντήρησης. Παρακαλώ αποθηκεύστε την εργασία σας και αποσυνδεθείτε.
Ψηφιακή επεξεργασία και κατάτμηση βιοϊατρικών εικόνων με χρήση τεχνητών νευρωνικών δικτύων
dc.contributor.advisor | Rangoussi, Maria | |
dc.contributor.author | Περιστενίδης, Κύριλλος | |
dc.date.accessioned | 2023-03-20T12:31:06Z | |
dc.date.available | 2023-03-20T12:31:06Z | |
dc.date.issued | 2023-03 | |
dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/3986 | |
dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-3826 | |
dc.description.abstract | Η παρούσα διπλωματική εργασία έχει ως αντικείμενο μελέτης τα τεχνητά νευρωνικά δίκτυα (ΤΝΔ) και τη χρήση τους με σκοπό την κατάτμηση βιοϊατρικών εικόνων. Θα μπορούσαμε να διακρίνουμε δύο διαφορετικά πεδία ενδιαφέροντος. Στο πρώτο μέρος γίνεται εκτενής αναφορά στα νευρωνικά δίκτυα. Συγκεκριμένα, πραγματοποιείται αρχικά μία σύντομη σύγκριση των βιολογικών νευρωνικών δικτύων και των τεχνητών νευρωνικών δικτύων. Ακολούθως περιγράφονται η μορφή, η λειτουργία και οι εφαρμογές απλών ΤΝΔ, αλλά και βαθιών ΤΝΔ αντίστοιχα, ενώ δίνεται περισσότερη έμφαση στα συνελικτικά ΝΔ, μία κατηγορία βαθιών ΤΝΔ που θα μας απασχολήσει και στην υλοποίησή μας στη συνέχεια. Όσον αφορά στο δεύτερο μέρος, εδώ εμβαθύνουμε στον τομέα της εικόνας και της ψηφιακής της επεξεργασίας της. Αναλυτικότερα, παραθέτουμε τις βασικές έννοιες που συνδέονται με την εικόνα, παρουσιάζουμε ένα σύνολο μετασχηματισμών, τεχνικών βελτίωσης, αποκατάστασης και κατάτμησης αυτής, μέσω αντίστοιχων παραδειγμάτων. Τέλος, στο πειραματικό μέρος της εργασίας, κάνουμε χρήση ενός συνόλου θεωρητικών γνώσεων, που αποκτήθηκαν κατά την εκπόνηση της εργασίας αυτής και υλοποιούμε δύο διαφορετικά συνελικτικά νευρωνικά δίκτυα, με στόχο την κατάτμηση (segmentation) ενός συνόλου βιοϊατρικών εικόνων. Κατά την εκπαίδευση των δικτύων μεταβάλλουμε κάποιες βασικές παραμέτρους και διαπιστώνουμε κατά πόσον η κατάτμηση είναι επιτυχής μέσω του εκάστοτε δικτύου. | el |
dc.format.extent | 126 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Δυτικής Αττικής | el |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές | * |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el | * |
dc.subject | Τεχνητά νευρωνικά δίκτυα | el |
dc.subject | Βαθιά μάθηση | el |
dc.subject | Επεξεργασία εικόνας | el |
dc.subject | Κατάτμηση εικόνας | el |
dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
dc.subject | Νευρώνες | el |
dc.subject | Βιοϊατρικές εικόνες | el |
dc.subject | Artificial neural networks | el |
dc.subject | Deep learning | el |
dc.subject | Image processing | el |
dc.subject | Biomedical images | el |
dc.title | Ψηφιακή επεξεργασία και κατάτμηση βιοϊατρικών εικόνων με χρήση τεχνητών νευρωνικών δικτύων | el |
dc.title.alternative | Digital processing and segmentation of biomedical images using artificial neural networks | el |
dc.type | Διπλωματική εργασία | el |
dc.contributor.committee | Potirakis, Stelios | |
dc.contributor.committee | Τάτλας, Νικόλαος-Αλέξανδρος | |
dc.contributor.faculty | Σχολή Μηχανικών | el |
dc.contributor.department | Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών | el |
dc.description.abstracttranslated | The present thesis focuses on the study area of artificial neural networks and their use for the purpose of segmentation of biomedical images. We could distinguish two different areas of interest. The first part makes extensive reference to neural networks. In particular, a brief comparison of biological neural networks and artificial neural networks is made. Subsequently, we describe the form, the function and the applications of simple ANN, but also of deep ANN respectively, while more emphasis is given to the convolutional NN, a category of deep ANN that will concern us in our implementation later. In the second part of this thesis, we focus in the field of image and its digital processing. In more detail, we list the basic concepts associated with the image, we present a variety of transformations, techniques for its improvement, restoration and segmentation, through corresponding examples. Finally, in the experimental part, we use a set of theoretical knowledge, acquired during the elaboration of this thesis and we implement two different types of convolutional neural networks, with the aim of segmenting a set of biomedical images. During the training of the networks we vary certain basic parameters and observe and measure the success of the segmentation process through the respective network. | el |
Files in this item
This item appears in the following Collection(s)
-
Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών