Show simple item record

Ανάλυση βιοϊατρικών εικόνων για την ανίχνευση καρκίνου του μαστού με χρήση αλγορίθμων μηχανικής μάθησης

dc.contributor.advisorRangoussi, Maria
dc.contributor.authorΔατσώλη, Κωνσταντίνα
dc.date.accessioned2024-07-25T09:06:41Z
dc.date.available2024-07-25T09:06:41Z
dc.date.issued2024-07-18
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/7186
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-7018
dc.description.abstractΗ παρούσα διπλωματική εργασία ασχολείται με την επεξεργασία βιοϊατρικών εικόνων, ειδικότερα υπερηχογραφημάτων μαστού, και την ανάλυσή τους μέσω της εκπαίδευσης νευρωνικών δικτύων βαθιάς μάθησης για την αναγνώριση παθογένειας και την κατηγοριοποίησή τους σε εικόνες υγιείς ή παθογενείς. Η επεξεργασία και ανάλυση πραγματοποιείται στο περιβάλλον MATLAB ®. Αρχικά, παρουσιάζονται διάφορες μεθόδους επεξεργασίας εικόνων, οι οποίες αξιολογούνται για την ικανότητά τους να απλοποιούν τα δεδομένα και να αναδεικνύουν κρίσιμα χαρακτηριστικά τους, διευκολύνοντας κατ' αυτόν τον τρόπο την ορθή αναγνώριση των εικόνων από τα νευρωνικά δίκτυα. Στη συνέχεια, εξετάζονται διεξοδικά διάφοροι τύποι νευρωνικών δικτύων, όπως τα νευρωνικά δίκτυα πρόσθιας τροφοδότησης (FNN) και τα συνελικτικά νευρωνικά δίκτυα (CNN), με σκοπό την εκτίμηση της απόδοσής τους στην ανάλυση των υπερηχογραφημάτων μαστού. Μέσω πειραματικών διαδικασιών, διερευνώνται οι επιπτώσεις διαφόρων παραμετροποιήσεων των δικτύων και αξιολογούνται τα αποτελέσματα της εκπαίδευσής τους, παρέχοντας έτσι μια ολοκληρωμένη επισκόπηση της αποτελεσματικότητας των προτεινόμενων τεχνικών στην ιατρική διάγνωση στο πεδίο των μαστογραφιών.el
dc.format.extent126el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΒιοϊατρικές εικόνεςel
dc.subjectΨηφιακή επεξεργασία εικόναςel
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΒαθιά μάθησηel
dc.subjectCNNel
dc.subjectFeedforward neural networkel
dc.subjectFNNel
dc.subjectConvolutional neural networksel
dc.subjectΣυνελικτικά νευρωνικά δίκτυαel
dc.subjectΚαρκίνος μαστούel
dc.subjectΥπέρηχος μαστώνel
dc.titleΑνάλυση βιοϊατρικών εικόνων για την ανίχνευση καρκίνου του μαστού με χρήση αλγορίθμων μηχανικής μάθησηςel
dc.title.alternativeBiomedical image analysis for breast cancer diagnosis using machine learning algorithmsel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeZois, Elias
dc.contributor.committeeTatlas, Nicolas Alexander
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.description.abstracttranslatedThis thesis focuses on the digital processing of biomedical images, specifically breast ultrasound images, and their analysis through the training of deep neural networks (DNN) aimed at the recognition of breast cancer cases and at the classification of images into healthy or cancerous classes. Processing and analysis are performed in MATLAB ®. Initially, various image processing methods are presented and discussed. These are evaluated as to their ability to simplify data and to extract critical and informative features, thus facilitating the accurate recognition by neural networks. Subsequently, different types of neural networks, such as Feedforward Neural Networks (FNN) and Convolutional Neural Networks (CNN), are examined in detail to assess their performance in the analysis of breast ultrasound images. Through experimental procedures, the effects of various network parameterizations are investigated and the results of the training of the respective NNs are evaluated, thereby providing a comprehensive overview of the effectiveness of the proposed techniques in medical diagnosis.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