Ανάπτυξη συστήματος διάγνωσης μικροαποτιτανώσεων σε ακτινογραφίες μαστογραφίας με χρήση τεχνικών βαθιάς μάθησης και μηχανών διανυσμάτων στήριξης
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Κατσένιος, Αθανάσιος | |
| dc.contributor.other | Katsenios, Athanasios | |
| dc.date.accessioned | 2021-03-08T09:23:20Z | |
| dc.date.available | 2021-03-08T09:23:20Z | |
| dc.date.copyright | 2021-03 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Στόχος της συγκεκριμένης διπλωματικής εργασίας είναι η ανάπτυξη συστήματος υποβοηθούμενης διάγνωσης από υπολογιστή για την ταξινόμηση μικροαποτιτανώσεων σε απεικονίσεις μαστογραφίας με χρήση τεχνικών βαθιάς μάθησης και Μηχανών Υποστήριξης Διανυσμάτων καθώς και η σύγκριση της αποτελεσματικότητάς τους. Η μέθοδος που μελετήθηκε στηρίχθηκε στα βαθιά συνελικτικά δίκτυα (CNN) για την εξαγωγή χαρακτηριστικών με αξιοποίηση γνώσης μέσω χρήσης Transfer Learning και Fine Tuning. Στις Μηχανές Υποστήριξης Διανυσμάτων (SVM) έγινε χρήση kernel για μετασχηματισμό των δεδομένων. Στο πρώτο κεφάλαιο παρουσιάζονται σύντομα οι απαραίτητες πληροφορίες σχετικά με την ανατομία του μαστού, τους παράγοντες κινδύνου, τα στάδια, τα είδη και τα συμπτώματα του καρκίνου του μαστού καθώς και οι πιο σημαντικές τεχνικές πρόληψης και διάγνωσης. Στο δεύτερο κεφάλαιο γίνεται αναφορά στις κατηγορίες και τα προβλήματα που πρέπει να αντιμετωπίσει η βαθιά μάθηση. Το τρίτο κεφάλαιο αποτελείται από μια εκτεταμένη παρουσίαση της επιστημονικής έρευνας στον τομέα της αυτόματης ταξινόμησης ακτινογραφιών μαστογραφίας όπως έχει αποτυπωθεί στην βιβλιογραφία τα τελευταία χρόνια. Εκτός της ταξινόμησης γίνεται αναφορά σε σχετικά θέματα όπως ο εντοπισμός αλλοιώσεων στην μαστογραφία, η πρόβλεψη του κινδύνου κακοήθειας και η ανάκτηση των ιατρικών απεικονίσεων. Στο τέταρτο κεφάλαιο αναλύεται λεπτομερώς ολόκληρη η πειραματική διαδικασία, ξεκινώντας με την προεπεξεργασία των δεδομένων και συνεχίζοντας με όλους τις παραμέτρους που αφορούν την επιλογή της στρατηγικής κατά την εκπαίδευση και της αρχιτεκτονικής των δικτύων, την προσαρμογή και χρήση προ-εκπαιδευμένων μοντέλων καθώς και την προσπάθεια βελτιστοποίησης της εκπαίδευσης των τελικών μοντέλων. Στο πέμπτο κεφάλαιο παρουσιάζονται τα αποτελέσματα των δοκιμών με βάση τα μέτρα απόδοσης που έχουν επιλεχθεί και παρατίθενται τα συμπεράσματα που εξάγονται. Η υλοποίηση της διπλωματικής εργασίας έγινε με χρήση των βιβλιοθηκών Keras και Scikit-Learn σε περιβάλλον Python. | el |
| dc.description.translatedabstract | The goal of the following thesis is the development of a computer aided diagnosis system for the classification of microcalcifications on mammograms, using Deep Learning techniques and Support Vector Machines (SVM) and comparing their efficiency. The developed method was based on deep Convolutional Neural Networks (CNN) for feature extraction utilizing knowledge that was transferred with the use of Transfer Learning and Fine Tuning. Kernelized SVMs were used for the transformation and classification of data. The first chapter presents the necessary information concerning the anatomy of the female breast, the risk factors, the stages, the types and the symptoms of breast cancer as well as the most prominent prevention and diagnosis techniques. The second chapter refers to the types of deep learning algorithms and the problems that they have to deal with. The third chapter consists of an extended presentation of scientific research conducted on the subject of automatic classification of mammograms, as it is illustrated on the literature published during recent years. Apart from classification, related subjects as lesion localization, malformation risk prediction and medical image retrieval are also referred to. The fourth chapter details the experimental process, starting with the augmentation of the dataset and proceeding with the parameters that concern the selection of the training strategy and the structure of the networks, the adaptation and implementation of pre-trained networks and the optimization of the final models. The results of the training process in relation to the chosen metrics and the extracted conclusions are presented on the fifth chapter. For the implementation of this thesis, the Keras and Scikit-Learn libraries in Python environment were chosen. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/14622 | |
| dc.language.iso | gr | el |
| dc.subject | Μαστογραφία | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject.alternative | Mammography | el |
| dc.subject.alternative | Deep learning | el |
| dc.subject.alternative | Convolutional Neural Networks (CNN) | el |
| dc.subject.alternative | Support Vector Machines (SVM) | el |
| dc.title | Ανάπτυξη συστήματος διάγνωσης μικροαποτιτανώσεων σε ακτινογραφίες μαστογραφίας με χρήση τεχνικών βαθιάς μάθησης και μηχανών διανυσμάτων στήριξης | el |
| dc.title.alternative | Development of a microcalcification diagnosis system on mammography x-rays using deep learning techniques and support vector machines | el |
| oaire.licenseCondition | null | el |