Image analysis in digital pathology based on machine learning techniques & deep neural networks

Αμερικάνος, Πάρις - Παναγιώτης; Amerikanos, Paris - Panagiotis

dc.contributor.advisor	Μαγκλογιάννης, Ηλίας
dc.contributor.author	Αμερικάνος, Πάρις - Παναγιώτης
dc.contributor.author	Amerikanos, Paris - Panagiotis
dc.date.accessioned	2020-10-02T07:05:57Z
dc.date.available	2020-10-02T07:05:57Z
dc.date.issued	2020
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/12939
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/362
dc.description.abstract	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.	el
dc.format.extent	85	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Image analysis in digital pathology based on machine learning techniques & deep neural networks	el
dc.title.alternative	Ανάλυση ιατρικών εικόνων μικροσκοπίας με χρήση τεχνικών μηχανικών μάθησης και βαθιών νευρωνικών δικτύων	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Detection of regions of interest (e.g. mitosis or histologic primitives) in Whole Slide Images in a clinical setting is a highly subjective and labor-intensive task. In this thesis we explore recent developments in Machine Learning and Computer Vision algorithms to assess their possible usage and performance in tasks such as the above, in order to enhance and accelerate healthcare procedures. A state-of-the-art Deep Learning framework (Detectron2) is trained on the TUPAC16 dataset for object detection, and on the JPATHOL dataset for instance segmentation. We evaluate its predictions against competing models and discuss further possible improvements.	el
dc.contributor.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Image classification	el
dc.subject.keyword	Breast cancer	el
dc.subject.keyword	Convolutional neural networks	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Digital pathology	el
dc.subject.keyword	Epithelium segmentation	el
dc.subject.keyword	Instance Segmentation	el
dc.subject.keyword	Instance segmentation	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Nuclei segmentation	el
dc.subject.keyword	Object detection	el
dc.subject.keyword	Tubule segmentation	el
dc.subject.keyword	Tumor proliferation	el
dc.subject.keyword	Computer vision	el
dc.date.defense	2020-06-26

Αρχεία σε αυτό το τεκμήριο

Name:: MSc_Thesis_ME1703.pdf
Μέγεθος:: 3.487Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές