Ταξινόμηση εικόνων οξείας λεμφοβλαστικής λευχαιμίας και υγιών κυττάρων

Ζωγραφάκης, Δημήτριος

dc.contributor.advisor	Kostopoulos, Spiros
dc.contributor.author	Ζωγραφάκης, Δημήτριος
dc.date.accessioned	2024-10-15T07:11:05Z
dc.date.available	2024-10-15T07:11:05Z
dc.date.issued	2024-10-11
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7725
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7557
dc.description.abstract	Η παρούσα διπλωματική εργασία ασχολείται με την ταξινόμηση εικόνων κυττάρων Οξείας Λεμφοβλαστικής Λευχαιμίας (ΟΛΛ) και υγιών κυττάρων μέσω της εφαρμογής αλγορίθμων μηχανικής μάθησης. Η ΟΛΛ, ένας τύπος καρκίνου που επηρεάζει το αίμα και τον μυελό των οστών, εμφανίζεται κυρίως σε παιδιά και ενήλικες και απαιτεί ακριβή διάγνωση για την αποτελεσματική θεραπεία της. Η μελέτη αυτή επικεντρώνεται στην ανάπτυξη αποδοτικών μοντέλων ταξινόμησης τα οποία βασίζονται σε τεχνικές επεξεργασίας εικόνας και μηχανικής μάθησης, με στόχο τη βελτίωση των διαγνωστικών πρακτικών στην κλινική πράξη. Για την υλοποίηση αυτής της μελέτης χρησιμοποιήθηκε ένα σύνολο δεδομένων από το Kaggle, το οποίο περιλαμβάνει εικόνες κυττάρων από καρκινικούς και υγιείς ιστούς. Η διαδικασία περιλάμβανε την προεπεξεργασία των εικόνων για τη διόρθωση ατελειών, την εξαγωγή χαρακτηριστικών και την εφαρμογή πολυάριθμων αλγορίθμων μηχανικής μάθησης, όπως τα μοντέλα Ensemble, τις Μηχανές Στήριξης Διανυσμάτων (SVM), και τα Νευρωνικά Δίκτυα. Επιπλέον, για την αντιμετώπιση της ανισορροπίας του συνόλου δεδομένων, εφαρμόστηκε η τεχνική SMOTE (Synthetic Minority Oversampling Technique) για τη δημιουργία συνθετικών δεδομένων, ενισχύοντας έτσι την ακρίβεια του μοντέλου. Τα αποτελέσματα κατέδειξαν υψηλή ακρίβεια στην ταξινόμηση, με την ακρίβεια να φτάνει το 92.1% στο σύνολο ελέγχου, γεγονός που επιβεβαιώνει την αποτελεσματικότητα των προτεινόμενων μεθόδων. Η εργασία επισημαίνει τη δυναμική των τεχνικών μηχανικής μάθησης στην ιατρική διάγνωση και προτείνει περαιτέρω διερεύνηση μελλοντικών ερευνητικών κατευθύνσεων, όπως η επέκταση του συνόλου δεδομένων και η εφαρμογή νέων τεχνικών για την ενδυνάμωση των διαγνωστικών ικανοτήτων συνολικά.	el
dc.format.extent	74	el
dc.language.iso	el	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	Οξεία λεμφοβλαστική λευχαιμία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Ταξινόμηση εικόνων	el
dc.subject	Ιατρική διάγνωση	el
dc.title	Ταξινόμηση εικόνων οξείας λεμφοβλαστικής λευχαιμίας και υγιών κυττάρων	el
dc.title.alternative	Classification of images of acute lymphoblastic leykemia and healthy cells	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Glotsos, Dimitris
dc.contributor.committee	Athanasiadis, Emmanouil
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιοϊατρικής	el
dc.description.abstracttranslated	This thesis focuses on the classification of Acute Lymphoblastic Leukemia (ALL) cell images and healthy cells using machine learning algorithms. ALL, a type of cancer that affects the blood and bone marrow, primarily occurs in children and adults and requires accurate diagnosis for effective treatment. This study concentrates on developing efficient classification models based on modern image processing and machine learning techniques, aiming to improve diagnostic practices in clinical settings. For the implementation of this study, a dataset from Kaggle was used, which includes images of cells from cancerous and healthy tissues. The process involved preprocessing the images to correct imperfections, feature extraction, and the application of various artificial intelligence algorithms such as Ensemble Models, Support Vector Machines, and Neural Networks. Additionally, to address the imbalance in the dataset, the SMOTE (Synthetic Minority Oversampling Technique) technique was applied to generate synthetic data, thereby enhancing the model's accuracy. The results demonstrated high classification accuracy, reaching 92.1% on the test set, confirming the effectiveness of the proposed methods. The thesis highlights the potential of machine learning techniques in medical diagnosis and suggests further exploration of future research directions, such as expanding the dataset and applying new advanced techniques to strengthen diagnostic capabilities overall.	el

Files in this item

Name:: dimitris_zografakis_bme19388030 ...
Size:: 2.432Mb
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