dc.contributor.advisor | Μαγκλογιάννης, Ηλίας | |
dc.contributor.advisor | Maglogiannis, Ilias | |
dc.contributor.author | Αυγεράκη, Κωνσταντίνα | |
dc.contributor.author | Avgeraki, Konstantina | |
dc.date.accessioned | 2021-07-22T08:05:15Z | |
dc.date.available | 2021-07-22T08:05:15Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13592 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1015 | |
dc.description.abstract | Ο καρκίνος του δέρματος είναι ένα από τα πιο θανατηφόρα είδη καρκίνων παγκοσμίως. Υπάρχουν διαφορετικά είδη καρκίνων με το πιο επικίνδυνο να είναι το Μελάνωμα. Η έγκαιρη διάγνωση του μελανώματος είναι εξαιρετικά σημαντική για την έγκαιρη αντιμετώπισή του. Η μηχανική μάθηση έχει αποδείξει πως έχει συμβάλει σημαντικά στο τομέα της Υγείας και στην πρόβλεψη τέτοιων ασθενειών.
Στη συγκεκριμένη μεταπτυχιακή διατριβή, θα χρησιμοποιηθούν διαφορετικά Συνελικτικά Νευρωνικά Δίκτυα με τη χρήσιμοποιήση του συνόλου δεδομένων HAM10000 του ISIC Challenge 2018 το οποίο περιέχει 10015 διαφορετικές εικόνες δερματικών βλαβών που ανήκουν σε 7 διαφορετικές κατηγορίες. Τα Νευρωνικά δίκτυα θα εκπαιδευτούν σε ένα μέρος του dataset και στη συνέχεια θα ελεγχθούν σε νέες εικόνες. Τα Νευρωνικά δίκτυα που χρησιμοποιήθηκαν είναι το Densenet201, το Inception V3 και Ensemble model που αποτελεί ένα συνδυασμό των προηγούμενων δύο. Τέλος, αναπτύχθηκε μια εφαρμογή σύμφωνα με την οποία ο χρήστης μπορεί να εισάγει μια εικόνα και να λάβει μία πρόβλεψη για τον τύπο δερματικής βλάβης στον οποίο αντιστοιχεί. | el |
dc.format.extent | 62 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
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 | Skin lesion analysis towards melanoma detection from dermoscopic images using Convolutional Neural Networks | el |
dc.title.alternative | Ανάλυση δερμοσκοπικής Εικόνας με τη χρήση Συνελικτικών Νευρωνικών Δικτύων | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | Skin cancer is one of the most lethal types of cancer worldwide. There are different types of cancer but the most dangerous one is melanoma. In US alone, 1 out of 5 people will develop skin cancer by the age of 70 and more than 2 people die of skin cancer every hour. Taking these facts under consideration, early detection of skin cancer is crucial, and many lives could be saved. Deep learning technologies are proven to be of great aid in early detection.
In this master thesis, different convolutional neural networks will be presented and tested on HAM10000 dataset of ISIC challenge dataset of 2018, containing 10.000 images of skin lesion from seven different classes. Neural networks will be trained on a portion of the dataset and then tested in new images. The convolutional networks used are Densenet201, Inception V3 and an Ensemble model of the previous two. Lastly, an application is developed which uses by default a convolutional network defined by the user. The user is able to feed an image in the application and a result out of the seven classes predefined will be presented. | el |
dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Skin lesion | el |
dc.subject.keyword | Melanoma | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Convolutional neural networks | el |
dc.subject.keyword | ISIC | el |
dc.date.defense | 2021-06-30 | |