Ψηφιακή επεξεργασία και κατηγοριοποίηση εικόνων μέσω νευρωνικών δικτύων: εφαρμογή σε βιοϊατρικές εικόνες

Καρέτσας, Ορέστης

Digital processing and neural network classification of images: application to biomedical images

Διπλωματική εργασία

Author

Καρέτσας, Ορέστης

Date

2021-01-21

Advisor

Rangoussi, Maria

Karetsas_50346505.pdf (4.329Mb)

Keywords

Νευρωνικά δίκτυα ; Βαθιά μάθηση ; Βαθιά νευρωνικά δίκτυα ; Φίλτρα ; Ανάπτυξη περιοχής ; Βιοϊατρικές εικόνες ; Βελτιστοποίηση εικόνας ; Κατάτμηση εικόνας ; Κατηγοριοποίηση εικόνας ; Ψηφιακή επεξεργασία εικόνας ; Neural networks ; Deep learning

Abstract

Στη παρούσα διπλωματική εργασία διερευνάται η ψηφιακή επεξεργασία και η κατηγοριοποίηση βιοϊατρικών εικόνων μέσω τεχνητών νευρωνικών δικτύων (artificial neural networks). Αρχικά γίνεται επισκόπηση (α) των βασικών αρχιτεκτονικών και λειτουργιών των (απλών) τεχνητών νευρωνικών δικτύων αφενός, και (β) των βασικών μεθόδων ψηφιακής επεξεργασίας εικόνων αφετέρου. Στο πλαίσιο της επισκόπησης μεθόδων ψηφιακής επεξεργασίας εικόνων, αναλύονται μέθοδοι βελτίωσης εικόνας μέσω διδιάστατων φίλτρων και μέθοδοι κατάτμησης εικόνας σε περιοχές μέσω ανάπτυξης περιοχών. Επίσης δίνονται απλά παραδείγματα εφαρμογής των ανωτέρω τεχνικών σε γενικές και σε βιοϊατρικές εικόνες. Στη συνέχεια παρουσιάζεται η βαθιά μάθηση (deep learning) και τα νευρωνικά δίκτυα βαθιάς μάθησης (deep neural networks). Στο πειραματικό μέρος της εργασίας, οργανώνονται και εκτελούνται τέσσερα (4) πειράματα δυαδικής κατηγοριοποίησης βιοϊατρικών εικόνων (θώρακα και εγκεφάλου). Για την κατηγοριοποίηση χρησιμοποιούνται αρχικά απλά και στη συνέχεια βαθιά νευρωνικά δίκτυα. Η συγκριτική παρουσίαση των αποτελεσμάτων δείχνει τη βελτίωση που φέρνει η βαθιά μάθηση.

Abstract

Digital processing and classification of biomedical images through artificial neural networks is the aim of this thesis. In the first part of the thesis are reviewed the basics of digital image processing and the basics of classification using simple or ‘shallow’ neural networks. Within the digital image processing section, 2D filters for image enhancement and region growing for image segmentation are studied in more detail and through clarifying examples. Deep learning and deep neural networks and presented and analyzed in the following section. In the experimental part of the thesis, four binary classification experiments are designed and carried out on sets of biomedical images using shallow and deep neural networks. Comparison of the results reveals that deep neural networks offer improved classification performance.