Image analysis in digital pathology based on machine learning techniques & deep neural networks
Ανάλυση ιατρικών εικόνων μικροσκοπίας με χρήση τεχνικών μηχανικών μάθησης και βαθιών νευρωνικών δικτύων
Προβολή/
Λέξεις κλειδιά
Image classification ; Breast cancer ; Convolutional neural networks ; Deep learning ; Digital pathology ; Epithelium segmentation ; Instance Segmentation ; Instance segmentation ; Machine learning ; Nuclei segmentation ; Object detection ; Tubule segmentation ; Tumor proliferation ; Computer visionΠερίληψη
Η ανίχνευση περιοχών ενδιαφέροντος (π.χ. μιτώσεις ή ιστολογικές δομές) σε εικόνες Whole Slide (WSI) σε κλινικό περιβάλλον είναι μια εξαιρετικά υποκειμενική και εντατική εργασία. Σε αυτήν τη διατριβή εξερευνούμε πρόσφατες εξελίξεις σε αλγορίθμους Μηχανικής Μάθησης και Υπολογιστικής Όρασης για να εκτιμήσουμε την πιθανή χρήση και επιδόσεις τους σε εργασίες όπως η προηγούμενη, έτσι ώστε να ενισχυθούν και να επιταχυνθούν οι διαδικασίες υγειονομικής περίθαλψης. Ένα σύγχρονο πλαίσιο Βαθείας Μάθησης (Detectron2) εκπαιδεύεται στο σύνολο δεδομένων TUPAC16 για ανίχνευση αντικειμένων και στο σύνολο δεδομένων JPATHOL για διαχωρισμό περιστατικών. Αξιολογούμε τις προβλέψεις του έναντι ανταγωνιστικών μοντέλων και συζητάμε για περαιτέρω πιθανές βελτιώσεις.
Τίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Ψηφιακά Συστήματα και ΥπηρεσίεςΤμήμα
Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών ΣυστημάτωνΑριθμός σελίδων
85Γλώσσα
ΑγγλικάΣυλλογή
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές