Μηχανική μάθηση και ανάλυση εικόνων στον καρκίνο του εγκεφάλου
| dc.contributor.advisor | Τασουλής, Σωτήριος | |
| dc.contributor.author | Γαλιατσάτου, Ανατολή | |
| dc.date.accessioned | 2024-04-29T06:15:48Z | |
| dc.date.available | 2024-04-29T06:15:48Z | |
| dc.date.issued | 2024-03 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16421 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3843 | |
| dc.description.abstract | Όγκος είναι μία ανώμαλη μάζα ιστού, η οποία σχηματίζεται όταν τα κύτταρα αναπτύσσονται και διαιρούνται ανεξέλεγκτα ή όταν δεν πεθαίνουν όταν πρέπει. Περισσότεροι από 150 διαφορετικοί τύποι εγκεφαλικών όγκων έχουν βρεθεί από τους ερευνητές, οι οποίοι διακρίνονται σε καλοήθεις και κακοήθεις(καρκίνος). Τόσο η ομοιότητα μεταξύ των διαφορετικών τύπων εγκεφαλικού όγκου, όσο και η ομοιότητα μεταξύ των καρκινικών και των υγιών κυττάρων που τα περιβάλλουν καθιστούν τη διάγνωση των ασθενών με εγκεφαλικό όγκο ιδιαίτερα δύσκολη. Από την άλλη μεριά τα υψηλά ποσοστά θνησιμότητας των ασθενών με κακοήθεις εγκεφαλικούς όγκους, καθιστούν αναγκαία την ανίχνευση και ταξινόμηση αυτών σε πρώιμο στάδιο. Μία τεχνική ιατρικής απεικόνισης, η μαγνητική τομογραφία MRI βοηθά τους γιατρούς να εντοπίσουν και να αναγνωρίσουν τους εγκεφαλικούς όγκους, ωστόσο λόγω όσων περιγράφηκαν παραπάνω, αυτή είναι μία ιδιαίτερα απαιτητική διαδικασία που απαιτεί χρόνο και εξειδίκευση. Η πρόοδος της μηχανικής και βαθιάς μάθησης, επιτρέπει στους ειδικούς γιατρούς την ευκολότερη και πιο αξιόπιστη διάγνωση. Οι παραδοσιακές μέθοδοι μηχανικής μάθησης, χρησιμοποιούν ορισμένες χειροκίνητες μεθόδους εξαγωγής χαρακτηριστικών για την πραγματοποίηση της ταξινόμησης των εγκεφαλικών όγκων. Αντίθετα, το πλεονέκτημα των μεθόδων βαθιάς μάθησης, όπως αυτές που χρησιμοποιήθηκαν στην παρούσα διπλωματική εργασία, είναι ότι δεν απαιτούν καμία χειροκίνητη εξαγωγή χαρακτηριστικών. Η εργασία αυτή προτείνει μία σειρά μεθόδων για την ανίχνευση και δυαδική ταξινόμηση: παρουσία και απουσία εγκεφαλικού όγκου, από ένα δημόσιο σύνολο δεδομένων, αποτελούμενο συνολικά από 3762 εικόνες MRI. Προτείνονται διάφορες προσεγγίσεις και τροποποιήσεις των μοντέλων InceptionV3, ResNet50 και MobileNetV2, με τη χρήση της τεχνικής Transfer Learning, και δύο ειδικά κατασκευασμένα συνελικτικά νευρωνικά δίκτυα(CNN) 8 και 10 επιπέδων αντίστοιχα. | el |
| dc.format.extent | 87 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Μηχανική μάθηση και ανάλυση εικόνων στον καρκίνο του εγκεφάλου | el |
| dc.title.alternative | Machine learning and image analysis in brain cancer | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | A tumour is an abnormal mass of tissue, which forms when cells grow and divide uncontrollably or in case they do not die when they should. More than 150 types of brain tumours have been identified by researchers, which are divided into benign and malignant (cancer). Both the similarity between the different types of brain tumour and the similarity between the cancerous and healthy cells surrounding them make the diagnosis of brain tumour patients particularly difficult. On the other hand, the high mortality rates of patients with malignant brain tumours make it necessary to detect and classify them at an early stage. One medical imaging technique, MRI helps doctors to detect and identify brain tumours, however, due to what has been described previously, this is a very demanding procedure that requires time and expertise. Progress in machine and deep learning allows medical specialists to provide easier and more reliable diagnosis. Traditional machine learning methods, use certain manual feature extraction techniques to perform classification of brain tumors. In contrast, the advantage of deep learning methods, such as those used in this thesis, is that they do not require any manual feature extraction. This project proposes a set of methods for detection and binary classification: tumour and no tumour brain images, from a public dataset consisting of a total of 3762 MRI images. Several approaches and modifications of InceptionV3, ResNet50 and MobileNetV2 models are proposed, using Transfer Learning. Additionally two custom made convolutional neural networks (CNNs) consisting of 8 and 10 layers respectively are used. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Εγκεφαλικός όγκος | el |
| dc.subject.keyword | MRI | el |
| dc.subject.keyword | Transfer learning | el |
| dc.subject.keyword | Convolutional neural networks | el |
| dc.date.defense | 2024-03-28 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα