Το σύστημα θα κλείσει για προγραμματισμένες εργασίες συντήρησης. Παρακαλώ αποθηκεύστε την εργασία σας και αποσυνδεθείτε.

Show simple item record

Ψηφιακή επεξεργασία και κατάτμηση βιοϊατρικών εικόνων με χρήση τεχνητών νευρωνικών δικτύων

dc.contributor.advisorRangoussi, Maria
dc.contributor.authorΠεριστενίδης, Κύριλλος
dc.date.accessioned2023-03-20T12:31:06Z
dc.date.available2023-03-20T12:31:06Z
dc.date.issued2023-03
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/3986
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-3826
dc.description.abstractΗ 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.extent126el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.el*
dc.subjectΤεχνητά νευρωνικά δίκτυαel
dc.subjectΒαθιά μάθησηel
dc.subjectΕπεξεργασία εικόναςel
dc.subjectΚατάτμηση εικόναςel
dc.subjectΣυνελικτικά νευρωνικά δίκτυαel
dc.subjectΝευρώνεςel
dc.subjectΒιοϊατρικές εικόνεςel
dc.subjectArtificial neural networksel
dc.subjectDeep learningel
dc.subjectImage processingel
dc.subjectBiomedical imagesel
dc.titleΨηφιακή επεξεργασία και κατάτμηση βιοϊατρικών εικόνων με χρήση τεχνητών νευρωνικών δικτύωνel
dc.title.alternativeDigital processing and segmentation of biomedical images using artificial neural networksel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeePotirakis, Stelios
dc.contributor.committeeΤάτλας, Νικόλαος-Αλέξανδρος
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.description.abstracttranslatedThe 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

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές