Επεξεργασία εικόνων MRI μέσω αλγοριθμικού προγραμματισμού σε περιβάλλον  Matlab

Πατσάνι, Νάντια

dc.contributor.advisor	Σκουρολιάκου, Αικατερίνη
dc.contributor.author	Πατσάνι, Νάντια
dc.date.accessioned	2024-09-30T07:08:37Z
dc.date.available	2024-09-30T07:08:37Z
dc.date.issued	2024-07-23
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7493
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7325
dc.description.abstract	Σκοπός 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.extent	66	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Ταξινόμηση	el
dc.subject	Σκλήρυνση κατά πλάκας	el
dc.subject	Matlab	el
dc.subject	Αλγόριθμος	el
dc.subject	Εγκέφαλος	el
dc.subject	Χαρακτηριστικά 1ης τάξης	el
dc.subject	Χαρακτηριστικά υφής	el
dc.subject	Εικόνα μαγνητικής τομογραφίας	el
dc.title	Επεξεργασία εικόνων MRI μέσω αλγοριθμικού προγραμματισμού σε περιβάλλον Matlab	el
dc.title.alternative	Processing of MRI images through algorithmic programming in Matlab environment	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Kalyvas, Nektarios
dc.contributor.committee	Κοντοπόδης, Ελευθέριος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιοϊατρικής	el
dc.description.abstracttranslated	The 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

Files in this item

Name:: PATSANI_48017077.pdf
Size:: 2.439Mb
Format:: PDF
Description:: Διπλωματική Εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιοϊατρικής

Show simple item record

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