Σχεδιασμός και υλοποίηση διαδικτυακής εφαρμογής για την κατηγοριοποίηση όγκων του μαστού με χρήση συνελικτικών νευρωνικών Δικτύων
Design and implementation of a web application for breast tumors classification through convolutional neural networks
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη ; Συνελικτικά νευρωνικά δίκτυα ; Υπολογιστική όραση ; Βιοϊατρική τεχνολογία ; Κατηγοριοποίηση όγκων ; Διαδικτυακές εφαρμογές ; React JsΠερίληψη
Η ραγδαία εξέλιξη της τεχνητής νοημοσύνης, σε συνδυασμό με την αύξηση της ταχύτητας των υπολογιστικών συστημάτων, καθώς και της ακρίβειας των μοντέλων μηχανικής μάθησης, έχουν επωφελήσει αρκετούς τομείς, ένας εκ των οποίων είναι και αυτός της ιατρικής και βιοϊατρικής τεχνολογίας. Συγκεκριμένα, η αναγνώριση εικόνων και προτύπων μέσω της βαθειάς μάθησης και η εκπαίδευση των Νευρωνικών Δικτύων με μεγάλο όγκο δεδομένων έχουν φέρει επαναστατικές αλλαγές στην αναγνώριση και κατηγοριοποίηση ασθενειών κάθε είδους. Η ικανότητα των Νευρωνικών Δικτύων να αναγνωρίζουν πρότυπα και να κάνουν κατηγοριοποιήσεις συχνά μπορεί να ξεπερνάει την ανθρώπινη ακρίβεια, επιτρέποντας με αυτόν τον τρόπο την προτεραιοποίηση σοβαρών περιστατικών ή ακόμα και την αντιμετώπιση περίπλοκων ιατρικών προκλήσεων. Στα πλαίσια της Διπλωματικής Εργασίας θα αναπτυχθεί ένα μοντέλο τεχνητής νοημοσύνης χρησιμοποιώντας Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την αναγνώριση όγκων από υπέρηχους στον μαστό και την ταξινόμηση αυτών ως καλοήθεις η κακοήθεις με τη βοήθεια των βιβλιοθηκών Tensorflow και Keras. Επιπλέον, θα υλοποιηθεί μια διαδικτυακή εφαρμογή, με Python και ReactJS που θα δίνει έμφαση στο user experience και θα επιτρέπει την ευκολότερη πρόσβαση και χρήση από τον καθένα. Η αυτονομία που θα προσφέρει η διαδικτυακή εφαρμογή συνδυάζεται με τη δυνατότητα αλληλεπίδρασης και μέσω κινητών τηλεφώνων, παρέχοντας ολοκληρωμένη λύση για την άμεση ανίχνευση και προσφέροντας τελικά ένα πολύτιμο εργαλείο για τη διάγνωση και παρακολούθηση των παθήσεων του μαστού.
Περίληψη
The rapid growth of artificial intelligence, coupled with an increase in computational speed, as well as the precision of machine learning models nowadays, has benefited several sectors, such as the medical and biomedical technology field. Specifically, image and pattern recognition through deep learning, along with Neural Networks being trained on large datasets, have brought revolutionary changes to the recognition and categorization for diseases of all kinds. The proficiency of Deep Neural Networks in pattern recognition and precise classifications that often surpass human accuracy enables the correct prioritization of critical cases and effective addressing of complex medical challenges. As part of the Thesis, an artificial intelligence model will be developed using Convolutional Neural Networks (CNNs) for identifying breast tumors from ultrasound images and then characterizing them as benign or malignant using the Tensorflow and Keras libraries. Additionally, a web application that emphasizes in user experience and easier access for everyone will be developed using Python and ReactJS. The autonomy offered by the web application, combined with the ability to interact through mobile phones, will provide a comprehensive solution for direct detections and will ultimately offer a valuable tool for the diagnosis and monitoring of breast cancer.
Αριθμός σελίδων
81Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές