Εμφάνιση απλής εγγραφής

Επεξεργασία εικόνων MRI μέσω αλγοριθμικού προγραμματισμού σε περιβάλλον Matlab

dc.contributor.advisorΣκουρολιάκου, Αικατερίνη
dc.contributor.authorΠατσάνι, Νάντια
dc.date.accessioned2024-09-30T07:08:37Z
dc.date.available2024-09-30T07:08:37Z
dc.date.issued2024-07-23
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/7493
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-7325
dc.description.abstractΣκοπός της διπλωματικής εργασίας είναι η επεξεργασία και η ταξινόμηση εικόνων μαγνητικής τομογραφίας εγκεφάλου ασθενών με σκλήρυνση κατά πλάκας, καθώς και υγιών ατόμων, μέσω του Matlab. Η σκλήρυνση κατά πλάκας είναι μια νευρολογική νόσος η οποία χαρακτηρίζεται ως αυτοάνοση, καθώς το ανοσοποιητικό σύστημα του ατόμου που πάσχει δεν αναγνωρίζει και καταστρέφει την μυελίνη, που περιβάλει τα νεύρα. Προσβάλει τον εγκέφαλο, τον νωτιαίο μυελό και τα οπτικά νεύρα και η απεικονιστική διάγνωση της γίνεται κυρίως με την μαγνητική τομογραφία. Η μαγνητική τομογραφία έχει μεγαλύτερη ευαισθησία στην απεικόνιση εγκεφαλικών εστιών σε σχέση με άλλες απεικονιστικές μεθόδους όπως η αξονική τομογραφία. Για την διπλωματική αυτή χρησιμοποιήθηκαν εικόνες σε png μορφή διαθέσιμες στην βάση δεδομένων Kaggle. Οι εικόνες ήταν κατηγοριοποιημένες σε υγιής και ασθενείς και περιείχαν εγκάρσιες και οβελιαίες τομές. Αρχικά έγινε επεξεργασία των εικόνων και εξήχθησαν τα χαρακτηριστικά των εικόνων σε μορφή πίνακα. Για την ταξινόμηση των χαρακτηριστικών δημιουργήθηκε ένας κώδικας στο Matlab χρησιμοποιώντας τον ταξινομητή πλησιέστερου γείτονα. Η τιμή του knn ταξινομητή ήταν 5. Αποτέλεσμα της πειραματικής αυτής διαδικασίας ήταν η δημιουργία ενός συστήματος ταξινόμησης με ποσοστό ακρίβειας περίπου 90%. Συνυπολογίζοντας και άλλες παραμέτρους όπως η αξιοπιστία, ευαισθησία και F1-score αποδείχθηκε ότι το μοντέλο ταξινόμησης είναι αξιόπιστο και με καλή απόδοση.el
dc.format.extent66el
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.subjectΤαξινόμησηel
dc.subjectΣκλήρυνση κατά πλάκαςel
dc.subjectMatlabel
dc.subjectΑλγόριθμοςel
dc.subjectΕγκέφαλοςel
dc.subjectΧαρακτηριστικά 1ης τάξηςel
dc.subjectΧαρακτηριστικά υφήςel
dc.subjectΕικόνα μαγνητικής τομογραφίαςel
dc.titleΕπεξεργασία εικόνων MRI μέσω αλγοριθμικού προγραμματισμού σε περιβάλλον Matlabel
dc.title.alternativeProcessing of MRI images through algorithmic programming in Matlab environmentel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeKalyvas, Nektarios
dc.contributor.committeeΚοντοπόδης, Ελευθέριος
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιοϊατρικήςel
dc.description.abstracttranslatedThe purpose of the thesis is the processing and classification of brain MRI images of patients suffering from multiple sclerosis and healthy individuals. The creation of the classifier, in order to study the disease, is done in a Matlab environment. Multiple sclerosis is a neurological disease characterized as autoimmune, as the immune system of the affected person does not recognize and destroys the myelin, which surrounds the nerves. It affects the brain, the spinal cord and the optic nerves and its imaging diagnosis is mainly made by magnetic resonance imaging. Magnetic resonance imaging has greater sensitivity in imaging brain sclerosis focus than other imaging modalities such as CT. For this thesis, images in png format available from the Kaggle database were used. The images were categorized into healthy and diseased groups and included transversal and sagittal sections. Initially, the images were processed, and their features were extracted into a table format. For the classification of the features, a code was developed in Matlab using the k-nearest neighbors classifier. The value of the KNN classifier was set to 5. The result of this experimental process was the creation of a classification system with an accuracy rate of approximately 90%. Taking into account other parameters, such as precision, sensitivity, and F1-score, it was demonstrated that the classification model is reliable and performs well.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

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