Ασαφής επεξεργασία εικόνας
Fuzzy image processing
Μεταπτυχιακή διπλωματική εργασία
Συγγραφέας
Καράτσαλος, Χρήστος
Ημερομηνία
2024-06-06Επιβλέπων
Ντούνης, ΑναστάσιοςΛέξεις-κλειδιά
Μαστογραφία ; Πυκνότητα μαστού ; Καρκίνος του μαστού ; Ιατρική εικόνα ; Επεξεργασία εικόναςΠερίληψη
Η παρούσα διατριβή επικεντρώνεται στην εκτίμηση της πυκνότητας του μαστού μέσω μαστογραφιών, ένα κρίσιμο μέτρο ενημέρωσης και αναγνώρισης για τον κίνδυνο καρκίνου του μαστού. Εξετάζουμε τις διάφορες μεθόδους και εργαλεία που χρησιμοποιούνται για την ανάλυση των μαστογραφιών, συμπεριλαμβανομένων της σημειογραφίας, της ανάλυσης υφής, της τεχνητής νοημοσύνης, των υπερήχων και της διγραμμικής αντίθεσης. Επισημαίνουμε τη σημασία της ακριβούς ταξινόμησης των περιοχών με διαφορετική πυκνότητα και προτείνουμε αποτελεσματικές προσεγγίσεις για την ανίχνευση ανωμαλιών στο μαστό με χρήση αλγορίθμου fuzzy c-means με εφαρμογή πάνω στα ιστογράμματα των μαστογραφιών. Η έρευνά μας επισημαίνει τη σημαντική κλινική εφαρμογή των μεθόδων αυτών για τον έλεγχο του κινδύνου καρκίνου του μαστού και αναδεικνύει τη σημασία της πυκνότητας του μαστού στη διαγνωστική διαδικασία, επιτυγχάνοντας παράλληλα μεγάλη βελτίωση στην ταχύτητα, και μείωση των υπολογιστικών απαιτήσεων.
Περίληψη
This dissertation focuses on the assessment of breast density through mammograms, a crucial metric for breast cancer risk evaluation and detection. Various methods and tools used in the analysis of mammographic images are explored, among them are pointillism, texture analysis, artificial intelligence, ultrasound, linear contrast and of course clustering algorithms. Emphasis is placed on the precise classification of areas with different densities, proposing effective approaches for detecting breast abnormalities using a fuzzy c-means algorithm applied to mammographic histograms instead of directly on the image itself, which is the method used in the literature. The research presented here underscores the significant clinical application of these methods for breast cancer risk assessment and highlights the importance of breast density in the diagnostic process, while achieving significant improvements in speed and computational efficiency.