Αξιολόγηση της απόδοσης συνελικτικών νευρωνικών δικτύων κατά την ανίχνευση και κατηγοριοποίηση αντικειμένων

Μαρκαντώνης, Δημήτριος

dc.contributor.advisor	Dritsas, Elias
dc.contributor.author	Μαρκαντώνης, Δημήτριος
dc.date.accessioned	2024-11-05T09:46:28Z
dc.date.available	2024-11-05T09:46:28Z
dc.date.issued	2024-10-21
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7969
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7801
dc.description.abstract	Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή μοντέλων βαθιάς μάθησης για την ανίχνευση καρκίνου σε εικόνες αξονικής τομογραφίας, εστιάζοντας σε δύο εξέχουσες αρχιτεκτονικές νευρωνικών δικτύων: VGG και EfficientNetB3. Η μελέτη αποσκοπεί στην αξιολόγηση της απόδοσης αυτών των μοντέλων υπό διάφορες συνθήκες, συμπεριλαμβανομένης της εισαγωγής θορύβου και της χρήσης τεχνικών αποθορυβοποίησης. Το σύνολο δεδομένων που χρησιμοποιήθηκε περιλαμβάνει 15.000 εικόνες αξονικής τομογραφίας που κατηγοριοποιούνται σε τρεις κατηγορίες: καλοήθης ιστός, αδενοκαρκίνωμα και πλακώδες καρκίνωμα. Για την αξιολόγηση των μοντέλων χρησιμοποιήθηκαν βασικές μετρικές επιδόσεων, όπως η ακρίβεια, η ανάκληση, η τομή πάνω από την ένωση (IoU) και η απώλεια κατηγορικής διασταυρούμενης εντροπίας. Η έρευνα έδειξε ότι τόσο το μοντέλο VGG όσο και το μοντέλο EfficientNetB3 είναι αποτελεσματικά στην ταξινόμηση εικόνων καρκίνου του πνεύμονα, αν και η απόδοσή τους ποικίλλει ανάλογα με την παρουσία θορύβου και τις τεχνικές φιλτραρίσματος που εφαρμόζονται. Το EfficientNetB3 υπερείχε σταθερά έναντι του VGG όσον αφορά την ακρίβεια Ο γκαουσιανός θόρυβος αποδείχθηκε πιο επιβλαβής στην απόδοση του μοντέλου από τον κοκκώδη. Το φίλτρο κινητού μέσου όρου αποδείχθηκε πιο αποτελεσματικό στη μείωση του γκαουσιανού θορύβου από το μέσο φίλτρο, ενώ το φίλτρο διαμέσου ήταν αποτελεσματικότερο στον κοκκώδη θόρυβο. Τα ευρήματα αυτά υποδηλώνουν ότι η απόδοση των μοντέλων αυξάνεται όταν βρίσκονται σε συνδυασμό με κατάλληλες μεθόδους χειρισμού του θορύβου. Αυτή η διπλωματική εργασία αποτελεί μια πολλά υποσχόμενη προσέγγιση για τη βελτίωση της ακρίβειας της ταξινόμησης εικόνων καρκίνου του πνεύμονα.	el
dc.format.extent	92	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	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 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	Image recognition	el
dc.subject	Lung cancer	el
dc.subject	AI	el
dc.subject	CNN	el
dc.title	Αξιολόγηση της απόδοσης συνελικτικών νευρωνικών δικτύων κατά την ανίχνευση και κατηγοριοποίηση αντικειμένων	el
dc.title.alternative	Performance evaluation of convolutional neural networks in object detection and classification	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Trigka, Maria
dc.contributor.committee	Μυλωνάς, Φοίβος-Απόστολος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	This thesis investigates the application of deep learning models for the detection of cancer in CT scan images, focusing on two prominent neural network architectures: VGG and EfficientNetB3. The study aims to evaluate the performance of these models under various conditions, including the introduction of noise and the use of denoising techniques. The dataset utilized comprises 15,000 CT scan images categorized into three classes: benign tissue, adenocarcinoma, and squamous cell carcinoma. Key performance metrics such as accuracy, recall, Intersection over Union (IoU), and categorical cross-entropy loss were employed to assess the models. The study showed that both the VGG and EfficientNetB3 models are effective in classifying lung cancer images, although their performance varies depending on the presence of noise and the filtering techniques applied. EfficientNetB3 consistently outperformed VGG in terms of accuracy. Gaussian noise proved to be more detrimental to model performance than granular noise. The moving average filter proved more effective in reducing Gaussian noise than the median filter, while the median filter was more effective on granular noise. These findings suggest that the performance of the models increases when they are coupled with appropriate noise handling methods. This thesis is a promising approach to improve the accuracy of lung cancer image classification.	el

Files in this item

Name:: Markantonis_19390135v3.pdf
Size:: 3.260Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

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