Ταξινόμηση μαστογραφιών για καρκίνο του μαστού με τη χρήση στοιβαγμένων αποθορυβοποιητικών αυτοκωδικοποιητών
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Τζιμογιάννη, Σπυριδούλα | |
| dc.date.accessioned | 2017-06-06T08:34:27Z | |
| dc.date.available | 2017-06-06T08:34:27Z | |
| dc.date.issued | 2016-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/9627 | |
| dc.description.abstract | Ο καρκίνος του μαστού αποτελεί έναν από τους πιο κοινούς τύπους καρκίνου για τις γυναίκες, και έχει γίνει, επίσης, κύρια αιτία θανάτου. Η ανάλυση των ιατρικών εικόνων είναι ένας από τους λιγότερο μελετημένους και πιο απαιτητικούς τομείς της υπολογιστικής όρασης και, γενικότερα, της τεχνητής νοημοσύνης. Όταν εφαρμόζουμε τη μηχανική μάθηση, η απόκτηση αξιόπιστων αποτελεσμάτων είναι πολύ πιο δύσκολη για σετ δεδομένων με ανωμαλίες, όπως σετ μαστογραφιών, από ότι για πιο κοινές εφαρμογές, μια και οι τύποι των ιστών και το σχήμα των οργάνων ποικίλλουν αρκετά από άτομο σε άτομο. Παρόλα αυτά, με τη χρήση της βαθιάς μάθησης, και, κυρίως, των στοιβαγμένων αποθορυβοποιητικών αυτοκωδικοποιητών, είναι πιθανό, με τα κατάλληλα εργαλεία και την κατάλληλη παραμετροποίηση, να έχουμε πολλά υποσχόμενα και πραγματικά αποτελέσματα, που μπορούν επιτυχώς να οδηγήσουν στη σωστή ταξινόμηση των ιατρικών εικόνων, παρέχοντας, έτσι, μεγάλη στήριξη στο ιατρικό προσωπικό στην προσπάθεια της έγκαιρης ανίχνευσης του καρκίνου του μαστού. | el |
| dc.format.extent | 56 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Μαστός -- Καρκίνος | el |
| dc.title | Ταξινόμηση μαστογραφιών για καρκίνο του μαστού με τη χρήση στοιβαγμένων αποθορυβοποιητικών αυτοκωδικοποιητών | el |
| dc.title.alternative | Breast cancer classification of mammographies using stacked denoising autoencoders | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Breast cancer is one of the most common cancers among women, and has also become a major cause of death. Medical image analysis is one of the less studied and challenging areas of computer vision and artificial intelligence in general. When we apply machine learning, obtaining reliable results is much more difficult for datasets with abnormalities, such as a dataset of mammographies, than for common applications, since the tissue types and the shape of the organs vary widely from person to person. However, with the use of deep learning, and, specifically, stacked denoising autoencoders, it is possible, with the appropriate tools and parameterization, to have promising, real-world results, that can successfully lead to the correct classification of medical images, hence providing great support to the medical for the early detection of breast cancer. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Ανάλυση και σχεδίαση συστημάτων | el |
| dc.subject.keyword | Ηλεκτρονική μάθηση | el |
| dc.subject.keyword | Autoencoders | el |
| dc.subject.keyword | Μαστογραφίες | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές