Ταξινόμηση μαστογραφιών για καρκίνο του μαστού με τη χρήση στοιβαγμένων αποθορυβοποιητικών αυτοκωδικοποιητών

Τζιμογιάννη, Σπυριδούλα

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

Files in this item

Name:: Tzimogianni_Spiridoula.pdf
Size:: 1.627Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής
Department of Informatics

Show simple item record

Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές