Ψηφιακή επεξεργασία και κατάτμηση βιοϊατρικών εικόνων με χρήση τεχνητών νευρωνικών δικτύων

Περιστενίδης, Κύριλλος

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

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Peristenidis_47345.pdf
Μέγεθος:: 5.950Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική Εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές