Ανάλυση βιοϊατρικών εικόνων για την ανίχνευση καρκίνου του μαστού με χρήση αλγορίθμων μηχανικής μάθησης
Biomedical image analysis for breast cancer diagnosis using machine learning algorithms
Λέξεις-κλειδιά
Βιοϊατρικές εικόνες ; Ψηφιακή επεξεργασία εικόνας ; Νευρωνικά δίκτυα ; Βαθιά μάθηση ; CNN ; Feedforward neural network ; FNN ; Convolutional neural networks ; Συνελικτικά νευρωνικά δίκτυα ; Καρκίνος μαστού ; Υπέρηχος μαστώνΠερίληψη
Η παρούσα διπλωματική εργασία ασχολείται με την επεξεργασία βιοϊατρικών εικόνων, ειδικότερα υπερηχογραφημάτων μαστού, και την ανάλυσή τους μέσω της εκπαίδευσης νευρωνικών δικτύων βαθιάς μάθησης για την αναγνώριση παθογένειας και την κατηγοριοποίησή τους σε εικόνες υγιείς ή παθογενείς. Η επεξεργασία και ανάλυση πραγματοποιείται στο περιβάλλον MATLAB ®.
Αρχικά, παρουσιάζονται διάφορες μεθόδους επεξεργασίας εικόνων, οι οποίες αξιολογούνται για την ικανότητά τους να απλοποιούν τα δεδομένα και να αναδεικνύουν κρίσιμα χαρακτηριστικά τους, διευκολύνοντας κατ' αυτόν τον τρόπο την ορθή αναγνώριση των εικόνων από τα νευρωνικά δίκτυα. Στη συνέχεια, εξετάζονται διεξοδικά διάφοροι τύποι νευρωνικών δικτύων, όπως τα νευρωνικά δίκτυα πρόσθιας τροφοδότησης (FNN) και τα συνελικτικά νευρωνικά δίκτυα (CNN), με σκοπό την εκτίμηση της απόδοσής τους στην ανάλυση των υπερηχογραφημάτων μαστού. Μέσω πειραματικών διαδικασιών, διερευνώνται οι επιπτώσεις διαφόρων παραμετροποιήσεων των δικτύων και αξιολογούνται τα αποτελέσματα της εκπαίδευσής τους, παρέχοντας έτσι μια ολοκληρωμένη επισκόπηση της αποτελεσματικότητας των προτεινόμενων τεχνικών στην ιατρική διάγνωση στο πεδίο των μαστογραφιών.
Περίληψη
This thesis focuses on the digital processing of biomedical images, specifically breast ultrasound images, and their analysis through the training of deep neural networks (DNN) aimed at the recognition of breast cancer cases and at the classification of images into healthy or cancerous classes. Processing and analysis are performed in MATLAB ®. Initially, various image processing methods are presented and discussed. These are evaluated as to their ability to simplify data and to extract critical and informative features, thus facilitating the accurate recognition by neural networks. Subsequently, different types of neural networks, such as Feedforward Neural Networks (FNN) and Convolutional Neural Networks (CNN), are examined in detail to assess their performance in the analysis of breast ultrasound images. Through experimental procedures, the effects of various network parameterizations are investigated and the results of the training of the respective NNs are evaluated, thereby providing a comprehensive overview of the effectiveness of the proposed techniques in medical diagnosis.
Αριθμός σελίδων
126Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές