Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/10995
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΔερματάς, Ευάγγελος-
dc.contributor.authorΠαπούλια, Άννα-
dc.contributor.otherPapoulia, Anna-
dc.date.accessioned2018-02-13T12:28:07Z-
dc.date.available2018-02-13T12:28:07Z-
dc.date.copyright2017-10-
dc.identifier.urihttp://hdl.handle.net/10889/10995-
dc.description.abstractΣτην παρούσα διπλωματική εργασία αντικείμενο μελέτης αποτελούν εικόνες που προέρχονται από συνεστιακό μικροσκόπιο και απεικονίζουν τομές εγκεφάλου ποντικών. Σκοπός της εργασίας είναι η αποθορυβοποίηση των εικόνων αυτών και η μελέτη τεχνικών καταμέτρησης των κυτταρικών πυρήνων. Συγκεκριμένα μελετήθηκε ο Φασματικός διαχωρισμός (Spectral Clustering) με χρήση λαπλασιανών γραφημάτων (graph laplacians), η χρήση του αλγορίθμου Μέγιστης ροής (οικογένεια Continuous max-flow αλγορίθμων), ο αλγόριθμος k-means, η τεχνική ανάλυσης σε πρωταρχικά στοιχέια (Singular Value Decomposition) σε συνδυασμό με χαμηλής τάξης (low rank) μητρώα και ο αλγόριθμος Watershed. Μετά την ολοκλήρωση της μελέτης διαπιστώθηκε ότι το φιλτράρισμα με χρήση διμερούς φίλτρου είναι το καταλληλότερο για αυτού του είδους τις εικόνες. Ωστόσο όσον αφορά την κατάτμηση, κανένας από τους περιγραφόμενους αλγορίθμους δεν ήταν σε θέση να δώσει ικανοποιητική λύση στις περιοχές όπου υπάρχει συνωστισμός και επικάλυψη κυττάρων.el
dc.language.isogrel
dc.rights0el
dc.subjectΕπεξεργασία εικόναςel
dc.subjectΙατρικές εικόνεςel
dc.subjectΑποθορυβοποίηση εικόναςel
dc.subjectΤεχνικές διαχωρισμού προσκηνίου-παρασκηνίουel
dc.subject.ddc621.367el
dc.titleΕπεξεργασία εικόνων βιολογικού περιεχομένουel
dc.title.alternativeMedical image processingel
dc.typeThesisel
dc.contributor.committeeΔερματάς, Ευάγγελος-
dc.contributor.committeeΨαράκης, Εμμανουήλ-
dc.description.translatedabstractThe subject of this thesis is the study of confocal microscope images, which depict cuts from mice brains. The purpose of the thesis is to achieve a proper denoising of the images and to study counting techniques of the illustrated cells. More specifically the algorithms we implement are the Spectral clustering algorithm with the aid of graph laplacians, the Continuous max-flow algorithm, the k-means algorithm, the SVD (Singular Value Decomposition) technique with the use of low rank matrices and the Watershed algorithm. After our research was completed, it was found out that the most suitable denoising technique, was the use of bilateral filter because of its ability to smooth internal regions of the cells without blurring their contour. However in the part of segmentation none of the described algorithms was able to give a sufficient result in regions of high interest, i.e those with overlapping cells.el
dc.subject.alternativeBilateralel
dc.subject.alternativeSpectral clusteringel
dc.subject.alternativeSobelel
dc.subject.alternativeWatershedel
dc.subject.alternativeLow rank arraysel
dc.subject.alternativeMax-flowel
dc.degreeΔιπλωματική Εργασίαel
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
7360_thesis.pdf3.32 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.